伟大的模型思考一致:通过模型潜在一致性改善模型可靠性
通过将数据监督引入机器学习预测模型,我们提出了一种实时模型无关的方法,评估机器学习预测的相对可靠性,并通过针对操作数据集与训练数据集之间的差异来计算预测的相对可靠性,用以支持机器学习预测在常规插值任务中的可信度。
Aug, 2023
通过在语义相关的数据集和任务上训练的模型,我们研究了聚合这些潜在空间以创建包含组合信息的统一空间。我们引入了相对潜在空间聚合(Relative Latent Space Aggregation)作为一个两步方法,首先使用相对表示使空间可比较,然后通过简单平均聚合它们。我们把一个分类问题细分为三种不同的设置下的学习任务,并训练每个任务的模型并聚合结果的潜在空间。我们将聚合空间与在所有任务上训练的端到端模型产生的空间进行比较,并表明两个空间是相似的。我们观察到聚合空间更适合于分类,并通过实验证明这是由于任务特定嵌入器遗留在表示中的独特印记。最后,在不存在共享区域的情况下测试我们的框架,并显示它仍然可以用于合并空间,尽管相对于简单合并而言其好处有所降低。
Nov, 2023
通过对相对空间的角度保持相对表示的可逆性进行形式化,并假设神经模型中解码器模块的尺度不变性,我们将两种方法结合起来,通过相对空间获得潜在空间转换的新方法。通过在各种架构和数据集上进行大量实验证实了我们的尺度不变性假设,并证明了我们方法在潜在空间转换中的高准确性。我们还将我们的方法应用于任意预训练文本和图像编码器及其分类器之间的零射缝,甚至跨模态。通过组合性,我们的方法具有促进模型实际重用的显著潜力。
Jun, 2024
高维数据集在各个学科的统计建模中带来了很大的挑战,需要高效的降维方法。深度学习方法通过降维的潜在特征空间从复杂数据中提取关键特征,有着广泛的应用,从生物信息学到地球科学等领域。本研究通过引入一个新的工作流程来评估这些潜在空间的稳定性,确保后续分析的一致性和可靠性。该工作流程囊括了三种稳定性类型:样本稳定性、结构稳定性和推断稳定性,并引入了一套综合评估指标。研究结果揭示了潜在特征空间固有的不稳定性,并证明了该工作流程在量化和解释这些不稳定性方面的功效。这项工作推进了对潜在特征空间的理解,促进了深度学习在各种分析工作流中的模型可解释性和质量控制,为更加明智的决策提供了基础。
Feb, 2024
通过简单的转换,我们的研究展示了神经网络模型中学习到的表示可以在不同的预训练网络之间进行转化,从而有效地连接编码器和解码器,并实现在多模态设置下的出色分类性能。
Nov, 2023
本文主要研究利用神经网络将数据流形的几何结构嵌入到潜在表征中,提出了根据潜在表示中样本与预设锚点之间的相对关系来实现所需不变性的方法,并在不同数据集、不同架构、不同任务下进行了验证。
Sep, 2022
本文证明了在大尺度图像分类基准测试中,最新的提出的模型虽然其准确性相异,但其预测相似性很高,这一相似性缓解了过拟合问题。作者还根据这一相似性给出了一种新的泛化界限的数学模型,能够更好地应用于机器学习中测试数据的重复使用问题。
May, 2019
应用人工智能(AI)和机器学习(ML)在关键领域,如医学,需要实施安全措施,以降低预测错误带来的风险。本研究提出了一种评估 ML 预测可靠性的方法,该方法旨在通过检测 ML 失败来提供对临床决策的决策支持,并开发了一个名为 relAI 的 Python 包来嵌入可靠性度量到 ML 流程中。
Feb, 2024
本文提出并验证八种数据分布度量方法,相对于现有方法,其中大部分具有改进效果,建议使用一种基于主要成分的度量方法和一种基于熵的度量方法来评估模型的数据分布情况。
Dec, 2022