高效同时学习与评估的抢救法

Mar, 2024

The Cram Method for Efficient Simultaneous Learning and Evaluation

Zeyang Jia, Kosuke Imai, Michael Lingzhi Li

TL;DR引入了 “cram” 方法，一种通用且高效的方法，用于使用通用的机器学习算法进行同时学习和评估。我们展示了该方法在政策学习环境中的应用，证明了该方法的一致性和渐进正态性。还通过广泛的模拟研究和针对实际问题的随机临床试验应用了该方法，并讨论了对其他学习和评估设置的未来扩展。

Abstract

We introduce the "cram" method, a general and efficient approach to simultaneous learning and evaluation using a generic machine learning (ML) algorithm. In a single pass of batched data, the proposed method repe

cram method machine learning individualized treatment rule evaluation policy learning

发现论文，激发创造

自信的多选学习

本研究提出一种针对深度神经网络的新型集成学习方法，名为自信多选学习（CMCL），通过解决其过度自信的问题来提高模型的性能，CMCL 比独立集成方法在图像分类和前景 - 背景分割等任务中提高了显著的准确率。

Jun, 2017

增量学习的快速交叉验证

本文提出了一种通用的基于增量学习算法的交叉验证 (Cross-validation) 的性能估计方法，并通过实验表明其在减少计算负担，以及对数据规模扩展和分布式实现上均具有良好的性能。

Jun, 2015

尼曼遇见因果机器学习：个体化治疗规则的实验评估

本文展示了如何利用 Neyman 的方法通过实验证明个体化治疗规则 (ITRs) 的有效性，并解释了如何考虑交叉适配所引起的额外不确定性。该方法的主要优势在于，它适用于任何 ITR，不受用于推导 ITR 的机器学习算法特性的限制，并表明对于某些度量标准，进行 ITR 的后期实验证明比进行随机分配一些单位至 ITR 的前期实验证明更为高效。通过分析，证明了 Neyman 的重复抽样框架在因果推断中是与其创建以来一样相关的。

Apr, 2024

关于宏观任何时候学习的研究

该研究论文研究了机器学习中的在线学习理论和数据处理方法，尤其是在使用深度非线性网络时，针对分块数据渐进式训练的最佳策略问题进行了探索。

Jun, 2021

低资源情境下有效学习的一种新方法

提出了一种称为 s2sL 的新框架，采用同时考虑两个样本的方式来有效地学习类别判别特性，展示了其在语音 / 音乐识别、情感分类、低资源场景和数据不平衡方面的有效性。

Dec, 2017

基于召回概率的自适应学习优先级预测

应用机器学习技术中的多元逻辑回归和循环神经网络，提出了可个性化推荐的学习方案，可以帮助学生更好地掌握知识点和时间安排。

Feb, 2018

课程学习：综述

该文介绍了如何通过课程学习来训练机器学习模型，从而提高性能和准确率，并且探讨了如何排序和引入更难的数据，同时提供了未来工作的一些方向。

Jan, 2021

机器学习训练在实际处理内存系统上的实验评估

研究探讨了基于内存为中心的计算系统中处理器内存访问瓶颈和大量能量消耗的解决方案，考察 PIM 架构对机器学习算法训练的潜力，通过评估经典算法在 PIM 和传统 CPU、GPU 上的性能、准确度和扩展性对比，表现出更高效的处理机制和更好的加速效果。

Jul, 2022

基于模拟的并行训练

本文介绍一种训练框架，可对机器学习进行科学计算，并通过缓存数据来减轻同时生成数据的时间延迟。实验表明，该框架在多参数 Lorenz 吸引子的测试中成功缓解了数据偏差，从而可以更好地捕捉系统的复杂混沌动态。

Nov, 2022

非 I.I.D 数据下被审查回归模型的渐进有效的在线学习

研究了随机截尾回归模型的渐近高效的在线学习问题，提出了一个两步在线算法，第一步实现算法收敛，第二步致力于提高估计性能，结果表明算法是强一致和渐近正常的，并且估计的协方差在渐近上可以达到 Cramer-Rao（C-R）界限，这表明所提出的算法的性能是可以期望的最优的。

Sep, 2023