ACLMar, 2022

标签级别下时序概念漂移下的改进多标记分类：重新思考标签组鲁棒性算法

PDF
TL;DR本文探讨了针对文档分类中的数据不均衡和概念漂移问题，通过运用不同的优化算法进行处理，发现基于不变风险最小化和谱解耦算法优于现有基于采样的方法，尤其在少数类的情况下表现更加优越。
document classificationtemporal concept driftgroup-robust optimizationinvariant risk minimizationspectral decoupling
发现论文，激发创造
  • 多视角时间概念漂移下掩码语言模型的动态基准测试

    该研究在 Wikidata 数据集上，评估了 11 个预训练的蒙面语言模型对时间概念漂移的影响，以确保其能够适应不断更新的现实世界的事实更新，并提供了一个综合框架来构建不同时间粒度的事实数据集，并通过多个评估角度来评估模型是否过时。

    Feb, 2023

  • 生成文本流中的漂移方法

    本文提供了四种文本漂移生成方法，以便生成带有标记漂移的数据集，并使用增量分类器测试它们恢复漂移的能力。结果表明，所有方法在漂移后性能都有所下降，增量支持向量机在准确性和宏 F1 得分方面运行速度最快，恢复了之前的性能水平。

    Mar, 2024

  • 请求和再验证：用于昂贵标签的概念漂移检测的分层假设检验

    本文提出了一种基于分层假设检验框架的请求 - 验证策略来检测概念漂移的方法，其中包括两种方法：HHT-CU 和 HHT-AG，这些方法在基准数据集上表现出明显的优势，并仅使用较少的标签就能超越现有的无监督漂移检测器和监督漂移检测器。

    Jun, 2018

  • 基于流式无标签数据的概念漂移可靠检测

    该论文提出了一种基于特征分类器的不依赖于数据分布或特定应用的无监督增量漂移检测算法，以实现在数据流中可靠地检测和适应概念漂移，并展示了在 6 个漂移诱导数据集和 4 个来自网络安全领域的附加数据集上的实验评估结果，表明该算法与无监督特征漂移检测器相比具有更少的误警，可以信任且适用性广泛。

    Mar, 2017

  • 学习漂移目标概念

    本文研究了在存在漂移的目标概念的情况下的学习问题，提出了误差率的上界，并给出了一个能够适应目标概念不断漂移的算法的一般结果，其中包括了该设置的积极学习变体，并提供了得到错误率上界所需的点标签查询数量的界限。

    May, 2015

  • 通过模型重用处理概念漂移

    研究了如何通过模型重用应对数据流中的概念漂移问题，为每个模型赋予权重，并根据模型性能自适应调整权重，在合成和真实数据集上进行实验验证方法的优越性。

    Sep, 2018

  • 在部分群标签存在的情况下实现群体鲁棒性

    提出一种利用部分敏感信息训练深度神经网络并改善少数群体预测性能的方法。

    Jan, 2022

  • 通过分布式鲁棒性优化应对标签漂移

    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

  • 使用 Kullback-Leibler 散度跟踪变化的连续学习

    介绍了一种利用 Kullback-Leibler 散度来监控多维数据流概率分布变化，以预测概念漂移事件并了解其本质的新方法，并探讨了其在预测维护等实际任务中的应用。

    Oct, 2022

  • 探索语言模型在文本分类中的概念层次上的伪相关性

    我们使用语言模型为每个文本标记概念并测量模型在测试数据上的概念偏差，然后提出一种数据再平衡方法来减轻由于训练数据中的不平衡标签分布而引起的虚假相关性，并证明我们的缓解方法在处理文本分类数据集中的标签分布偏差时具有优越性。

    Nov, 2023