Jun, 2024

Distributional MIPLIB：一种推进 ML-Guided MILP 方法的多领域库

PDF
TL;DR这篇论文介绍了 Distributional MIPLIB，一个多领域问题分布库，用于推进基于机器学习引导的 MILP 方法的研究。通过从现有的工作和未使用的实际问题中策划 MILP 分布，并对其进行不同难度级别的分类，它为该领域的研究提供了便利，从而实现了对多样化和现实领域的全面评估。我们通过两种方式经验性地说明了使用 Distributional MIPLIB 作为研究工具的好处：评估了在先前未使用的分布上使用 ML 引导变量分支的性能，以确定改进的潜在领域；此外，我们提出了从混合分布中学习分支策略，证明了与同质分布相比，当数据有限且能很好地推广到较大实例时，混合分布能实现更好的性能。
发现论文，激发创造
  • 通过选择性增强提高对抗样本的鲁棒性

    探讨了在实际应用中常见的基于配分转移的问题，提出了一种选择性增广的简单混合技术 LISA，通过学习不受限制的内部表示或预测器来学习不变的预测器，并在包括亚种人群转移和领域转移的九个基准测试中验证了 LISA 的有效性。

    Jan, 2022

  • 领域自适应遇到个体公平，他们相处融洽

    本文论述了算法公正与数据分布的关系，即算法公正干预可以帮助机器学习模型克服数据分布的偏差，并且领域自适应方法可以减轻算法偏差。

    May, 2022

  • 多元信息对抗集成用于可伸缩联合分布匹配

    本文提出了一种适用于多域联合分布匹配的可扩展领域深度生成模型：MMI-ALI，它具有优秀的效能和可伸缩性，并且已经在多种具有挑战性的 $m$-domain 情景中得到了验证。

    Jul, 2019

  • 如何通过分布匹配帮助域泛化：一种信息理论分析

    通过概率学的分析，揭示了梯度匹配和表示匹配在推广中的互补关系，并介绍了一种新的方法来同时调整跨域梯度和表示。与现有方法相比，该方法在复杂分布匹配方面表现出优越性能。

    Jun, 2024

  • 通过分布匹配进行到未见过的领域的泛化

    本文探讨监督学习中数据导致的实际问题，着重于领域泛化研究，提出最小化给定领域对之间差异的方法，并在 EEG 数据集中验证了该策略。

    Nov, 2019

  • 机器学习模型在实际中的稳健性、评估与适应性

    通过培训算法来提高对于机器学习领域的可靠性，从而应对领域的变化，提高算法的性能，预测其表现并轻量级适应应用领域。

    Mar, 2023

  • 基于模型的领域通用化

    本篇论文提出了一种基于模型的域泛化方法，通过对数据生成过程和同变性条件的建模，将域泛化问题转化为一个无限维的有约束统计学习问题，并利用非凸对偶理论发展了有约束松弛的统计问题，提出了具有收敛保证的域泛化算法，并在 ColoredMNIST，Camelyon17-WILDS，FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。

    Feb, 2021

  • KL 导向领域适应

    本文研究了领域自适应中的输入表示对齐问题，提出了一种基于最小化源域和目标域表示分布之间的反向 Kullback-Leibler 差距的方法，利用概率表示网络实现了高效稳定的对齐方法，实验结果表明其优于其他对齐方法。

    Jun, 2021

  • FAIRM：通过极小极大优化实现算法公平性和领域泛化的不变表示学习

    通过不变原则，我们提出了一个具有公平性和域泛化特性的基于训练环境的 FAIRM 方法，并在弱分布假设下提供了具有有限样本理论保证的实证 FAIRM。我们开发了高效的算法来实现线性模型中的 FAIRM，并展示了最小化最优性的非渐近性能。我们通过合成数据和 MNIST 数据的数值实验来评估我们的方法，并证明其优于其他方法。

    Apr, 2024

  • 在取证调查下发现机器学习黑盒的有意义分布

    本文介绍了使用全面的语料库选择有意义的分布来解决神经网络模型数据域不明的问题，通过考虑选定样本的模型功能属性和语义，使用一个有效的目标函数，以及一个能够有效地搜索所有可能子集的算法。实验表明，该方法可以有效地克隆给定模型，并提高其准确性。

    May, 2023