Jun, 2021

反向训练中基于概率幅度的实例重新加权

PDF
TL;DR本文提出三种概率边界（PM）用于测量当前决策边界附近数据的关联性并进行加权，PM 是连续且独立于路径的，可以捕捉数据的几何属性，数据的权重与其 PM 具有负相关性，实验表明 PM 方法的可靠性和有效性优于现有技术
adversarial dataadversarial robustnessprobabilistic marginclass-posterior probabilitiesreweighting methods
发现论文，激发创造
  • 用乘法重新加权进行神经网络鲁棒性优化

    提出一种使用 MW 重新加权示例的神经网络优化方法，该方法在标签存在噪声的情况下稳健且可提高准确性，同时不会影响其对抗鲁棒性。

    Feb, 2021

  • 具有贝叶斯数据重新加权的强健概率建模

    本研究提出了一种方法，通过将每个观察的可能性变为一种权重，从数据中推断连续变量和权重，以检测和减轻大量概率模型的不匹配性，并明确不同类型的不匹配性对模型的影响与表现，这有助于提高模型的鲁棒性和预测准确性。

    Jun, 2016

  • 利用积分概率度量进行协变量平衡的因果推断

    本文提出了一种使用积分概率度量进行协变量平衡的加权方法，并证明该方法可以在不正确指定模型的情况下保持一致性，同时在有限样本情况下的表现也比现有方法更好。

    May, 2023

  • 自适应边界的概率度量学习用于 Top-K 推荐

    本文提出了基于距离的推荐模型，通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法，以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施，成功地解决了个性化推荐系统面临的偏好信息获取难题，并且在五个真实世界数据集上实现了相较于现有最佳方法提高了 4-22% 的推荐准确度。

    Jan, 2021

  • 几何感知实例再加权对抗训练

    这篇研究论文介绍了一种新的对抗训练方法，通过根据自然数据点到分类边界的远近来赋予不同的权重，以提高模型的鲁棒性和准确性。

    Oct, 2020

  • MMA 训练：通过对抗训练直接输入空间边际最大化

    该研究从最大化边界的角度研究了神经网络的对抗鲁棒性，并提出了 Max-Margin Adversarial（MMA）训练方法，以直接最大化边界来实现对抗鲁棒性，通过该方法在 MNIST 和 CIFAR10 数据集中实现了 robust 性

    Dec, 2018

  • 最大边缘损失学习不平衡数据集

    本文设计了一种新的最大边距 (MM) 损失函数来解决类不平衡数据中存在的分类不平衡问题，并探讨了两种基于最大边界的决策边界位移方法在 LDAM 训练日程上的表现。

    Jun, 2022

  • 以 Wasserstein 距离为指导的对抗性权重调整用于偏见缓解

    通过对抗再加权方法来解决机器学习中的表征偏差，平衡数据分布以减少对少数群体的不公正对待，从而提高分类准确性和公平性。

    Nov, 2023

  • 利用弱点感知扰动预算改进对抗训练

    透过对自然样本的脆弱性进行考量，提出了两种简单、计算成本低的方法 (Margin-Weighted Perturbation Budget 与 Standard-Deviation-Weighted Perturbation Budget)，用于为 Adversarial Training 算法中的对抗样本分配扰动范围，实验证明这些方法有效地提升了算法的鲁棒性。

    Mar, 2024

  • 自适应优先权重新加权以提高公平性泛化

    通过提出一种新颖的自适应重新加权方法，该论文旨在消除训练和测试数据之间分布变化对模型普适能力的影响，进而改善算法的公平性和泛化性能。实验证明了该方法在准确性和公平性度量方面的普适性，并突出了对语言和视觉模型公平性改善的性能提升。

    Sep, 2023