基于类别相关领域漂移的鲁棒分类
本文研究了异变转移对传统机器学习模型性能的影响,通过对概率密度函数域的区域进行分类器性能评估,发现在二维分类问题中,随机森林算法表现最好,在高维实验中,模型主要受到分类函数复杂度的影响,对高密度区域呈现出高偏差的性质。
Apr, 2023
基于领域偏移的普适分类器归纳问题几乎困难且复杂,本文通过引入三种不同的分布偏移(概念偏移、协变量偏移和依赖性偏移),提出了一种新颖的领域泛化方法,能够在不同领域中保持模型的准确性和公平性。实验结果表明,该方法在四个基准数据集上超越了现有的方法。
Nov, 2023
本论文提出了一种基于分布鲁棒优化的模型,通过设计并分析梯度下降 - 近端镜像上升算法,用一次训练获得一个对多种标签偏移都具有稳健性的单一分类器,并在 CIFAR-100 和 ImageNet 上的实验中展示出其显著的性能提高。
Oct, 2020
本文提出了一种基于鲁棒学习思想的目标检测框架,通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据,从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证,将本文提出的方法与现有方法进行了比较,得出了它的显著提升。
Apr, 2019
本文探讨了在机器学习系统被分布转移影响时,如何通过自适应风险最小化方法 (ARM) 以提高对新领域和分布的分类准确率,在多个图像分类问题中,与其他鲁棒性、不变性和适应性方法相比,ARM 方法提高了 1-4%的测试准确率。
Jul, 2020
探讨了在实际应用中常见的基于配分转移的问题,提出了一种选择性增广的简单混合技术 LISA,通过学习不受限制的内部表示或预测器来学习不变的预测器,并在包括亚种人群转移和领域转移的九个基准测试中验证了 LISA 的有效性。
Jan, 2022
介绍了机器学习中领域自适应和转移学习的数据分布变化问题,分类模型的风险最小化框架及其在复杂变化中的应用,并讨论了多种方法来解决这些问题,但要实现实用化仍需解决许多问题。
Dec, 2018
本篇论文研究机器学习模型在不同测试分布的情况下表现不佳且过度估计它们的表现的问题,并提出一种基于领域不变性预测模型的方法来更好地估计模型在转移学习领域的性能,从而实现了领域自适应和对给定模型在分布转移情况下进行准确的目标误差估计,并可以用于模型选择、决定早期停机和错误检测。
Jul, 2020