BriefGPT.xyz
Ask
alpha
关键词
data shift
搜索结果 - 6
ICLR
针对数据转换下的反事实解释鲁棒性的验证训练
这篇论文介绍了 VeriTraCER,一种联合训练分类器和解释器的方法,明确考虑生成的反事实解释对小型模型偏移的稳健性,从而提供对反事实解释有效性的确定性保证。我们的实证评估表明,VeriTraCER 生成的反事实解释 (1) 对小型模型更
→
PDF
4 months ago
特征偏移检测与校正的对抗学习
利用对抗性学习的原则,结合主流的监督分类器和简单迭代启发式方法,本研究探索了利用多个辨别器的信息来检测和修复数据集之间特征变化,以消除特征变化所带来的分布偏移,优于当前的统计和神经网络技术。
PDF
7 months ago
锐度与位移感知的自监督学习
本文提出了 Sharpness & Shift-Aware 对比学习(SSA-CLR)方法,旨在从无标签数据中提取有意义的特征并应用于分类任务,通过显式建模、最小化特征提取器的锐度和数据分布的偏移差异,获得更好的分类表现和更鲁棒的特征。
PDF
a year ago
自然语言处理中现有的泛化研究:分类和评述
本论文通过文献综述提出了一个分类法对 NLP 中的泛化研究进行了表征和理解,并对超过 400 篇论文进行了分类,提出了评估标准以及对未来研究方向的建议,并发布了一个动态可探索的结果页面,以期将最先进的泛化测试成为 NLP 领域的新常态。
PDF
2 years ago
一种信息理论方法应对分布转换
从信息理论的角度,本文探讨了机器学习模型在实际应用中遭遇的数据偏移问题,比较了近期领域泛化与公正分类研究中一些最有前途的目标。根据我们的理论分析和实证评估,我们得出结论,模型选择过程需要根据观察到的数据、纠正因素和数据生成过程的结构进行认真
→
PDF
3 years ago
公平感知的不可知联邦学习
本文提出了一种公平感知的不可知联邦学习框架(AgnosticFair),它使用核重新加权函数在损失函数和公平性约束中为每个训练样本分配一个重加权值,从而能够在未知测试数据上实现高精度和公正性保证。实验结果表明,在数据转移的情况下,在两个真实
→
PDF
4 years ago
Prev
Next