数据代表性标准：基于数据集相似性预测监督分类性能

Feb, 2020

数据代表性标准：基于数据集相似性预测监督分类性能

The Data Representativeness Criterion: Predicting the Performance of Supervised Classification Based on Data Set Similarity

PDF

Evelien Schat, Rens van de Schoot, Wouter M. Kouw, Duco Veen, Adriënne M. Mendrik

TL;DR本文提出了数据代表性标准（DRC）以确定训练数据集与新的未见过的数据集之间的相似性，并研究是否关联着监督分类算法的性能。对数个磁共振成像数据集进行了比较并发现，在数据集相似性的基础上，DRC 可以指示监督分类器性能降低的情况，并可根据用户的要求设置 DRC 的严格性。

Abstract

In a broad range of fields it may be desirable to reuse a supervised classification algorithm and apply it to a new data set. However, generalization of such an algorithm and thus achieving a similar classification performance is only possible when the training data used to build the a

supervised classification algorithm training data similarity of data sets data representativeness criterion mri data sets

发现论文，激发创造

基于判别投影表征的视觉识别分类

本文提出了一种称为投影表示分类的新方法，其基于新的数学模型，可以通过迭代计算样本点在超空间 H 上线段的投影来近似每个主体的理想表示，并进一步提出了区别投影表示分类（DPRC）用于视觉识别任务。

Nov, 2017

对比学习实现的深度鲁棒聚类

该论文介绍了一种新的深度聚类方法 - Deep Robust Clustering (DRC)，它从两方面同时考虑了语义聚类和特征表现，从而增加了跨类别差异并同时减少了类内差异，且通过数据增强和对比损失的最小化在多项基准测试中显著提高了准确性。

Aug, 2020

应用典型度量方法评估决策树处理未知车辆碰撞数据的可靠性

研究论文通过理论和实验，探讨了 ε- 代表性方法在决策树中评估数据集相似性的可靠性，发现 ε- 代表性与特征重要性排序具有显著相关性，并将结果扩展到 XGboost 在未见车辆碰撞数据中的应用。

Apr, 2024

数据聚类的判别相似度

本文提出了一种名称为 CDS 的新的聚类方法，其使用学习出的判别式相似度对数据集进行无监督聚类，并通过 Rademacher 复杂度对其进行了一般化分析。同时，使用核密度分类的积分平方误差界也可以导出所得到的判别相似度。在使用核函数作为相似度函数的情况下，使用 CDS 聚类方法的有效性已通过实验结果得到证明。

Sep, 2021

揭示潜在模式：研究数据集相似性、性能和泛化

通过添加一小部分未见图片到训练集中，我们的方法可以降低训练与注释成本，提高监督式深度学习模型的泛化性能，并在动态环境中对未见数据的模型性能提供估计。

Aug, 2023

无监督领域自适应的深度重建分类网络

本文提出一种基于深度学习的新型无监督领域自适应算法，旨在通过设计一个新模型 Deep Reconstruction-Classification Network（DRCN）来联合学习两个任务以获得共享编码表示，在跨领域对象识别任务上实现表现明显提升。

Jul, 2016

卫星图像开放集地表覆盖分类的代表性辨别学习

本文提出了一种代表性 - 区分性开放集识别 (RDOSR) 框架，通过从原始图像空间到嵌入特征空间的映射，以及进一步转换到所谓的丰度空间，增强了数据的代表性和区分性能力，解决卫星影像地表覆盖分类的开放集识别问题，并在多个卫星基准测试上证明了该方法的有效性。

Jul, 2020

对未见过分布进行有信心的预测

研究发现现有的分布距离度量方法，例如 Frechetdistance 或 Maximum Mean Discrepancy，不能在分布偏移中可靠地估计模型性能；然而，分类器预测的置信度差异能够成功地估计分类器在各种转移情况下的性能变化，并且在几个现实和具有挑战性的分布转移中有效地减少预测误差近一半（46％），这一方法称为 DoC (Difference of Confidences)。

Jul, 2021

ProcSim：基于代理的鲁棒相似性学习的置信度

通过建立类别本体并创建语义一致的标签错误，提出了一种简单的框架 ProcSim，通过将样本与其类别代表的归一化距离计算得到置信度评分，从而训练鲁棒的深度度量学习模型，实验结果表明该方法在注入均匀和语义一致噪声的深度度量学习基准数据集上取得了最先进的性能。

Nov, 2023

点对点 ROC 曲线优化的监督相似性学习概率理论

该论文从交叉匹配角度分析了相似性学习，提出了一种基于 ROC 优化的点级优化标准，通过一种概率框架对此进行了深入研究，给出了基于 U - 统计的约束优化表达式，推导出相应的普适性学习速率以及在数据分布噪声假设下更快速的学习速率，同时考虑了采样近似近似的效果，同时通过量化实验得到了与理论相称的实验结果。

Jul, 2018