基于相关性引导混合密度网络的失真输出下任务无关鲁棒学习
本文研究了神经网络对抗性鲁棒性问题,通过理论和实验结果表明,增加未标记数据的使用,可以提高抗干扰泛化性能,并提出一种算法在MNIST和Cifar-10上的对抗训练方法。
Jun, 2019
本文综述了深度学习中标签噪声的学习问题,提供了62种最新的鲁棒训练方法,并系统性比较了六个评估指标。同时,分析了噪声估计率和评估方法,并提出了未来的几个研究方向。
Jul, 2020
该研究提出一种名称为FAR的新型范式,用于通过在输入的局部领域内最小化属性映射的最大差异来训练模型的鲁棒属性。通过新模型AAT和AdvAAT的实验表明,所提出的方法在对抗干扰下都更有稳健性。
Oct, 2020
这篇论文提出了一种新的采样免费的不确定性估计方法,称为CertainNet,旨在为自主驾驶对象检测中的物体性,类别,位置和大小提供分离的不确定性,该方法使用了一个不确定性感知的热图,并利用检测器提供的相邻边界框,同时也提出了一种评估位置和大小不确定性的新指标。
Oct, 2021
本文介绍了SampleNet,它是一个灵活和可扩展的架构,用于模拟深度神经网络预测的不确定性,并通过使用Energy分数学习样本以及Sinkhorn散度进行正则化来定义经验分布。在大规模真实世界的回归任务中,SampleNet具有较好的适应性并且优于基线模型。
Nov, 2022
本文考察523个现有的深度图像分类器在选择性预测和不确定性估计性能方面的表现,发现蒸馏型训练方案普遍比其他训练方案具有更好的估计不确定性的能力,ViT模型在不确定性估计方面的表现超过其他模型。
Feb, 2023
该论文提出了一种新颖的协同进化算法(CoEvoRDT),用于构建能够处理带有噪声高维数据的对抗性决策树模型,该方法在20个常见数据集上的实验证明了其优越性能。
Dec, 2023
在这篇论文中,我们揭示了现有的样本选择方法在实践中存在的数据和训练偏差问题,并提出了一种鲁棒的网络架构和混合采样策略来解决这些问题,以实现对带有噪声标签的学习任务的准确建模。
Jan, 2024
抽样选择、标签噪音、模型更新、选择偏差和语义特征空间是此论文的关键词。该论文提出的方法在各种噪声设置中实现了近2.53倍的加速,0.46倍的峰值内存占用,并具有卓越的鲁棒性。
May, 2024