Mar, 2024

借鉴类似系统的知识转移：用于系统识别的合成数据生成

PDF
TL;DR通过引入新的方法生成合成数据，旨在提高模型的泛化能力和鲁棒性，以解决学习动态系统中过拟合的挑战。
overfittinglearningdynamical systemssynthetic datamodel estimation
发现论文，激发创造
  • 模型无关系统辨识的上下文学习

    传统的系统辨识方法采用给定的输入 / 输出序列和现有的物理知识估计未知动力系统的模型。本文提出了一种新的系统辨识方法，通过预训练一个元模型来隐式表示一个类别的动力系统的主要特征，并利用 Transformer 架构实现单步预测和多步仿真任务，为系统辨识研究开辟了新的方向。

    Aug, 2023

  • 真假：通过分布匹配进行有效的训练数据合成

    我们通过广泛的实验验证了我们的合成数据在各种图像分类任务中的有效性，既可以替代真实数据集，也可以作为其增强，同时也有益于挑战性任务，如超出分布的泛化和隐私保护。

    Oct, 2023

  • 元仿真：学习生成合成数据集

    Meta-Sim 是一种生成模型，它使用概率场景语法的场景图来渲染图像并生成相应的真实标签，通过神经网络训练来缩小生成数据输出和目标数据之间的分布差距，以优化下游任务的性能以实现自动数据合成。

    Apr, 2019

  • 利用半监督学习开发合成数据以处理小规模和不平衡数据集

    本文研究了通过模式的凸组合生成合成数据以及在半监督学习框架中利用这些数据作为无监督信息的效果，以支持小的高维度数据集和不平衡学习问题，而无需标记合成示例。作者在 53 个二元分类数据集上进行实验，结果表明该方法支持半监督学习中的聚类假设，对于小型高维度数据集和不平衡学习问题表现出色。

    Mar, 2019

  • 基于合成数据的贝叶斯学习基础

    研究了在受到隐私或可用性限制的环境中，人工合成数据作为机器学习的工具的发展与应用，使用贝叶斯范式来描述学习过程中模型参数的更新，提出了一个基于决策理论的基于贝叶斯合成学习的新方法，比传统方法在不同的监督学习和推理问题中表现更出色。

    Nov, 2020

  • 关于系统识别中基于上下文学习器的适应性

    构建元模型描述系统类别的背景下系统识别的角色和元模型自适应的作用以及如何通过数字示例提高预测性能

    Dec, 2023

  • 一种用于表格数据的有监督生成优化方法

    合成数据生成已成为金融机构的重要课题，本研究提出了一种新的合成数据生成框架，将监督组件与元学习方法结合，为特定下游任务学习最佳混合分布的已有合成分布。

    Sep, 2023

  • 从真实数据到合成数据的转换：量化模型中的偏差

    本研究旨在建立使用合成数据训练的模型在偏见和公平之间的权衡，并研究了合成数据生成技术的变体，包括差分隐私生成方案，通过实验表明，合成数据训练的模型存在不同程度的偏差影响，且生成的特征不相关的技术表现良好。该研究有助于数据科学实践者理解合成数据的使用中的偏见。

    May, 2021

  • 使用合成数据训练神经网络是基于模型的推理

    本文讨论了使用合成训练数据来优化神经网络参数与近似贝叶斯模型的相关性，并展示了其在验证码破解等任务中的应用和成功实验结果，并在此基础上探讨了使用合成数据训练神经网络需要考虑的因素和如何确保模型的泛化能力。

    Mar, 2017

  • 合成时间序列数据真的不如真实数据好吗？

    本文提出了 InfoBoost—— 一种高度灵活的跨领域数据合成框架，具有时间序列表示学习能力。我们开发了一种基于合成数据的方法，能够在无需真实数据的情况下进行模型训练，并超越了使用真实数据进行训练的模型性能。此外，我们训练了一个基于合成数据的通用特征提取器，适用于所有时间序列数据。我们的方法克服了多个来源的干扰，如周期性信号、噪音干扰和超出采样窗口能力的长期特征。通过实验证明，我们的非深度学习合成数据能够使模型实现卓越的重构性能和通用的显性表示提取，而无需真实数据。

    Feb, 2024