MAGIC: 一种通用、强大且易处理的选择性推断方法
介绍了一种名为 MAGIC 的机器学习框架,通过神经网络来分别计算二进制微透镜参数,引入了神经控制微分方程来处理时间序列,从而通过几个百分点的不确定度来精准地推断二进制资料的质量和相关参数。
Jun, 2022
研究了基于随机响应的选择推断,包括两个主要优点:更强大的选择有效检验和选择推断程序的一致估计和弱收敛。提出了一个框架,结合多个随机选择程序后的推断,并在经典渐近设置下进行了重点研究。
Jul, 2015
本研究提出了一种单张图像的综合方法,利用一个配备有强正则化器的准鲁棒分类器反演图像,从而实现对单张图像的操纵;该方法采样来自预训练的准鲁棒分类器的结构梯度,以更好地保留输入样本的语义,同时保证合成图像的分类准确性,实现形状、位置、非刚性形变等多种控制操作。
Sep, 2022
本文介绍了一种增强的魔法集技术来优化使用数据日志的查询答案,并通过消除子 sumed 规则和有效处理绑定传播丢失的情况进一步优化了重写的程序。
Jul, 2019
MAGIC 是一种新的多代理方法,自动创建自纠正指南,通过在训练集上对基于 LLM 的方法的失败进行合作,迭代生成和改进适合 LLM 错误的自纠正指南,提高了纠正的可解释性,并提供了分析自纠正中 LLM 失败和成功原因的见解。
Jun, 2024
本文介绍了如何利用 efficient influence function 来构建基于统计 / 机器学习的 estimators,并讨论了这些 estimators 表现良好的前提条件。
Jul, 2021
该研究提出一种控制选择性 I 型错误的方法,以恢复经典情境下适用的选定假设的长期频率性质,推导出一些用于指数家族模型的最强无偏选择性检验和置信区间以及线性回归模型的新型选择性 z 和 t 检验。
Oct, 2014
本文回顾了如何利用信息标准、收缩方法、Fence 法和贝叶斯技术等四种主要方法,解决选择适当的线性混合效应模型的问题。通过考察一系列文献的方法、性质和相互关系,帮助读者更好地了解可用的方法。
Jun, 2013
MAGIC 是一种新颖灵活的自我监督 APT 检测方法,能够在不同级别的监督下执行多颗粒度检测,通过掩码图表示学习对良性系统实体和行为进行建模,在溯源图上进行高效深度特征提取和结构抽象,通过异常检测方法检测异常系统行为,从而实现系统实体级别和批量日志级 APT 检测,解决了概念漂移问题,并成功应用于广泛的条件和检测场景。在三个广泛使用的数据集上对 MAGIC 进行评估,包括真实世界和模拟攻击。评估结果表明,MAGIC 在所有场景中都取得了有希望的检测结果,并在性能开销上比现有的 APT 检测方法具有巨大优势。
Oct, 2023