使用机器学习方法检测问题博彩时更少特征的应用
本研究提出一种基于特征导引的黑盒攻击方法,可以应用于深度神经网络的安全测试,无需深入的网络知识,在人类视觉系统指导下对像素分布进行检测,并利用蒙特卡罗树搜索逐步探索游戏状态空间以寻找对抗性样本,当前方法在安全关键应用如自动驾驶车辆中的交通标志识别中具有广泛的应用前景。
Oct, 2017
本文提出了一种基于赌博翻倍率的损失函数,通过将原本的多分类问题转化成带有拒绝选项的问题,实现了在最佳数据覆盖率下的最佳性能。该损失函数不需要对模型推理算法或架构进行修改,可以有效地处理神经网络训练中的不确定性,同时在 SVHN 和 CIFAR10 数据集上实现了较强的结果。
Jun, 2019
本文提出彩票票据假说,展示了深度神经网络中存在的可训练子网络,这些子网络在相同的训练步骤下表现不亚于原始模型。研究表明存在某些子网络能够更快地收敛,我们的实验表明这些子网络在各种模型结构和超参数的限制条件下的一致存在性,此外,这些子网络能够在对抗性训练中将总时间缩短至最新技术的49%。
Mar, 2020
论文介绍了一种基于Mask R-CNN的视频识别系统,其可以实时检测到21点的玩家下注和卡牌,并为每个玩家创建准确的个人画像,将玩家的技能与游戏的运气分开,并可以协助赌场检测可能存在的欺诈活动和计算预期的个性化盈利。
Dec, 2020
本文重新定义了Lottery Ticket Hypothesis的概念,并通过大量实验进一步证明了优化超参以及架构特性和中奖模型的相关性,提出了相应的参数设置指南,以促进Lottery Ticket Hypothesis领域的研究进展。
Jul, 2021
本文通过分析目标函数的几何结构和样本复杂度,理论上证明了剪枝神经网络在加速随机梯度下降算法的特定情况下,训练过程中获得零泛化误差所需的样本数与隐藏层中未被剪枝的权重数成正比,从而提供了对中奖票证明的形式化证明。
Oct, 2021
本文提出了一种基于Transformer结构的端到端可训练用户级别的赌博成瘾和抑郁症分类方法,采用社交媒体全文集合的方式消除噪声并利用特征归纳技术提高模型的可解释性,并取得在eRisk 2022实验室关于病态赌博和抑郁症的早期识别方面的最佳成绩。
Jul, 2022
抽奖票假设(LTH)指出,一个密集的神经网络模型包含一个高度稀疏的子网络(即获奖票),当单独训练时可以实现比原始模型更好的性能。尽管LTH已经在许多工作中经过了经验和理论上的证明,但仍然存在一些待解决的问题,如效率和可扩展性。此调查旨在提供LTH研究现状的深入了解,并建立一个有序维护的平台来进行实验并与最新基准进行比较。
Mar, 2024
通过将时间特征和情感特征纳入模型,本文解决了在社交媒体数据上进行风险预测的问题,着重于对 Reddit 用户进行病态赌博障碍的分类。通过实验证明了序列模型在性能上优于基于连接的模型,提出的架构在包含 EmoBERTa 和 TD 层的情况下取得了高 F1 分数,在赌博障碍数据集上超过了现有基准。
Mar, 2024