通过使用全批处理的哈密尔顿蒙特卡罗来近似推断的贝叶斯神经网络,在协变量转移下实现了良好的性能,但我们发现,贝叶斯模型平均在这种情况下可能会出现问题,特别是在输入特征中存在线性相关性导致后验收缩不足的情况下,我们提出了新的先验概率分布,以提高 BNN 对多种协变量转移的稳健性。
Jun, 2021
本文介绍一种基于节点的贝叶斯神经网络模型,通过增加隐变量将每个隐藏层节点与潜在随机变量相乘,以此模拟不同类型的数据扰动。通过增加隐变量的熵,实现了在协变量转移下,输入数据发生变化时提高隐式置信度的效果,同时还具备了对嘈杂训练数据具有鲁棒性的能力。
Jun, 2022
本研究提出了一种基于后验正则化的近似贝叶斯推断方案,可以用未标记的目标数据作为模型置信度的 “伪标签”,这些伪标签被用于调整标记源数据上的损失,显著提高了协变量移位数据集的不确定性量化准确性,适用于转移前瞻性前列腺癌模型在全球范围内的应用。
Jun, 2020
本研究证明:大多数图像较差的基准测试不能很好地衡量图像识别模型在许多场景下的稳健性,因此提出了一种基于非监督在线适应的方法,通过更改模型激活的统计特征来提高模型的稳健性。改进后的模型可在 ImageNet-C 数据集上取得更好的表现。
该论文研究深度神经网络在非训练时数据分布下表现不佳的问题,提出一种全测试时间适应的解决方案,通过使用替代熵和添加基于批次的熵最大化的多样性正则化器来解决熵最小化的早期收敛和不稳定性问题,并且可以通过在完全测试时间适应性损失中学习无需目标域标签或源域数据的输入变换模块,从而达到在 ImageNet-C 等挑战性基准测试中提高公共预训练图像分类器鲁棒性的效果。
本研究中,我们将深度神经网络中的几项统计学指标变换为适应不同数据集,并通过少量表示样本的统计估计实现批量归一化统计量的调整与适应,从而在多种基准数据集上得到了更好的数据集迁移性和鲁棒性表现。
Oct, 2020
本文提出了一种解决模型公平性中的相关性变化问题的新颖方法,即引入相关性偏移的概念和采用预处理步骤以减少相关性偏移,并借此通过优化问题来调整数据比率,从而使得数据处理算法可以有效地提高其准确性和公平性。
Feb, 2023
本文提出了一种名为 'prediction-time batch normalization' 的方法,该方法可以在处理具有协变量移位的数据时提高深度学习模型的准确性和标准化,达到了最先进的水平,并提供了更好的模型行为理解,但在预训练模型并且使用更自然类型的数据时,该方法效果不佳,值得进一步研究。
在测试数据中的协变量偏移可以显著降低模型的准确性和公平性表现。我们提出了一种基于加权熵的预测准确性目标和表示匹配损失的新型组合目标函数,通过实验证明了我们的损失函数优化在公平性与准确性的权衡上优于其他基线方法。我们还提出了一种称为不对称协变量偏移的新颖设置,并展示了我们的方法在这种设置下的显著优势。最后,我们理论上证明了在训练集上的加权熵项和预测损失可以近似于协变量偏移时的测试损失。我们通过实验证明了这种对未见测试损失的近似不依赖于影响其他基线方法的重要性采样方差。
Oct, 2023
这篇论文提出了一种基于贝叶斯神经网络的去偏方法,通过刻画后验概率与数据偏差 (or 伪相关性) 之间的关系,利用高确信性的核心特征代替不确定性高的特征,从而提高了模型的公平性和准确性。
Mar, 2023