合作博弈理论在分类中的影响
本文介绍了一种针对众包数据采集的新方案,在线性回归模型中设计了一种激励机制,旨在促使代理提供高质量数据,并证明了该方案确保了数据报告的真实性和鲁棒性,同时并对影响与总损失的差异进行了矫正,实现了有效的数据收集。
Aug, 2019
机器学习中的好斗现象及其解决方案的研究,通过将分类问题建模为一种游戏的方式,提出了一种近乎最优的、能够抵抗 “好斗” 现象的分类器设计算法,尤其对于一类自然代价函数而言,该算法在计算上也是高效的。
Jun, 2015
本文提出了一种新的方法来测试模型中不同特征对响应值的影响,能够适用于线性回归和高斯混合模型,并证明了该方法在足够样本数量下能达到完全的统计功效。
Jun, 2023
本文提出了一种基于博弈理论、计算特征重要性的方法,用于无监督特征选择并消除冗余,结果表明该方法在降低冗余率的同时最大化数据信息。同时,本文还介绍了一种计算 Shapley 值的算法的近似版本,使其能够降低复杂度。
May, 2022
本文介绍了一种基于博弈论的归因和 k 阶相互作用方法的统一框架,重点是解释和解释模型的透明性。作者指出,各种方法都基于其在协同方案中的政策,并介绍了基于梯度的独特方法。最后,作者提出了需要深入了解归因和交互方法的目标和上下文。
May, 2023
本文提出使用影响函数技术来追踪黑盒模型预测的训练数据,并且证明了即使在非凸和不可导的模型中,影响函数的近似也可以提供有价值的信息。在线性模型和卷积神经网络中,通过使用影响函数,探究了模型行为、调试模型、检测数据集错误以及创建视觉上难以区分的训练集攻击等多个方面得到了实际的解决方案。
Mar, 2017
利用在线顾客数据,结合人工智能和游戏理论,本研究提出了一种方法用于产品设计和市场研究,提供全面的顾客需求理解,且在多标准决策的领域中表现优于基准方法。
Feb, 2024
本文从化简计算的角度研究影响函数,讨论了少量参数下实现影响计算的假设,并证明影响值的符号可以指示训练点是记忆还是泛化,结果表明,即使是大规模的机器学习系统,影响函数也是可操作的,并且可以通过选择性地删除培训点来计算影响值,作为学习过程的一部分。
May, 2023
本文探讨了二阶影响函数的概念,提出使用二阶影响函数来识别测试预测中有影响的训练样本组,特别是在涉及较大的训练样本集合时,相较于现有的一阶影响函数有更为显著的提高,增强了影响值与实际值之间的相关性。同时展示了如何利用优化技术来选择最具影响力的训练样本组。
Nov, 2019