data distribution shifts | BriefGPT

关键词data distribution shifts

搜索结果 - 11

具有偏倚离线数据和不完善模拟器的强化学习基准
许多强化学习应用中，很难让智能体在真实世界中行动，这给自动驾驶、医疗应用甚至某些推荐系统带来了困扰。本研究概述了强化学习中将离线数据与不完善模拟器相结合的四个主要挑战，并构建了 “机械离线强化学习基准”（B4MRL）来推动该领域的研究。结果
PDF6 days ago
ADLDA：减少数据增强中数据分布转移的方法
本研究介绍了一种新的数据增强技术 ADLDA，旨在减轻计算机视觉任务中数据分布转变对数据增强过程造成的负面影响。ADLDA 将增强数据划分为不同子域，并结合领域适应技术，通过优化模型特征空间中的数据表示来提高模型性能。实验结果表明，ADLD
PDF2 months ago
辛勤工作并不总是有所回报：对神经架构搜索的毒化攻击
通过对神经结构搜索的数据集分布转移进行鲁棒性研究，本文展示了数据污染攻击的可行性，并发现对抗性样本可以有效降低生成优化神经结构的算法的准确性。
PDF2 months ago
用于无监督分布偏移检测的自组织聚类系统
本文提出了一种持续学习框架，用于监测和检测数据分布的变化，通过自组织聚类和潜空间的统计方面探索这个问题，方法可以应用于有监督和无监督的环境中，并且通过比较高斯信号构建数据分布变化的评估，具有快速和稳健的特点，通过与其他无监督技术的比较实验证
PDF2 months ago
基于解释性人工智能的自适应学习与 SHAP 聚类在能耗预测方面的应用
通过整合可解释的人工智能技术与自适应学习，本论文提出了一种方法来增强能源消耗预测模型，重点处理数据分布变化。利用 SHAP 聚类方法，我们的方法能够为模型的预测结果提供可解释的解释，并利用这些洞察力来自适应地改进模型，平衡模型复杂度和预测性
PDF5 months ago
通过组合特征对齐增强组合泛化能力
在实际的机器学习模型应用中，数据分布的变化常常导致训练数据和测试数据之间存在差异。在常见的多领域多类别设置中，随着类别和领域数量的增加，无法为每个领域 - 类别组合收集足够的训练数据。为了解决这一挑战，我们提出了一个名为 CG-Bench
PDF5 months ago
无需标签：在协变量漂移下估算部署后模型性能的方法
我们提出了一种鲁棒准确的性能估计方法，用于评估无标签数据上机器学习分类模型的性能，准确量化协变量偏移对模型性能的影响，并在 600 个数据集 - 模型对上进行了评估，结果表明，该方法是估计分类模型在任何评估环境中性能的最佳方法。
PDF6 months ago
边缘机器学习欺诈检测中的数据分布变化的分布式监控
数字化时代见证了金融欺诈的显著增长。我们的研究填补了当前研究中在分布式边缘机器学习应用中对数据分布漂移的监测缺乏稳健系统的重要空白。通过引入一种创新的开源框架，我们的系统能够连续监测网络上边缘设备上的数据分布漂移，包括在分布式网络上进行 K
PDF6 months ago
基于特权医学成像信息的域泛化学习
使用特权信息（如肿瘤形状或位置）来预测光学相干断层扫描中内层视网膜流体的严重程度，使深度学习模型在超出分布数据上的分类准确率从 0.911 提高到 0.934，为其他需要泛化的医学问题的特权信息使用提供了一个强有力的起点。
PDF8 months ago
ICLR概念失败：数据集转移的基于概念的解释
本文介绍了一种名为 CBSD 的概念瓶颈位移检测的新方法，通过识别和排名受偏移影响的高层次、可理解的概念，来提供解释性；使用 dSprites 和 3dshapes 的两个案例研究表明，CBSD 能够准确地检测受到偏移影响的潜在概念，并与最
PDF3 years ago
野外算法可追溯性：理解数据和模型漂移的影响
本文研究了模型更新对于算法补救方案的影响，实验证明数据分布的改变和模型升级会导致现有的算法补救方案失效，因此需要重新设计和开发算法补救方案。
PDF4 years ago