- IJCAI深度频率导数学习用于非平稳时间序列预测
我们提出了一种基于频率导数学习的非平稳时间序列预测框架 DERITS,通过整个频率谱将时间序列进行转换,使其从频率角度充分利用数据分布,从而在时间序列预测和分布偏移方面表现出持续的优越性。
- 适应性的分布变迁下的轨迹预测不确定性量化
本文提出了 CUQDS 框架,该框架旨在量化现有轨迹预测模型在数据分布转移下的预测轨迹不确定性,并在训练阶段考虑模型预测准确性的提高和估计不确定性的减少。
- ACL不消除而是综合:对混合专家进行事后控制以应对自然语言理解中的快捷转移
通过对混合专家的悲观聚合,可以增强模型对快捷方式分布变化的鲁棒性。
- 朝向领域自适应的神经上下文赌博
通过从源域收集反馈,我们介绍了第一个用于情境强盗的通用领域适应方法。我们的方法在跨领域适应时维持亚线性遗憾界限,并在真实世界数据集上表现优于现有的情境强盗算法。
- 图上分布偏移下链接预测方法的一般化能力研究
该论文通过引入针对链接预测的数据划分方式,研究了分布偏移对链接预测泛化性能的影响,并探索了提高链接预测泛化性能的方法。
- CDSA:一种面向离线强化学习的保守去噪评分算法
分布偏移是离线强化学习中的一个主要障碍,为了避免高估罕见或未见动作,需要将学得的策略与行为策略的差异最小化。与以往保守的离线强化学习算法相比,我们提出使用从预训练的离线强化学习算法生成的数据集密度的梯度场来调整原始动作,解耦了保守性约束和策 - 超越协变量偏移的多重校准与外域推广的桥梁
通过多校准,建立一个新的无模型偏见优化框架,确保预测器在一组重叠群体中实现校准,从而与协变量偏移下的统计推断的稳健性相关联,并扩展多校准以包括考虑协变量和标签的分组函数,从而实现包括概念变化在内的预测任务的稳健性。
- 超越差异:对分布偏移理论的深入研究
在分布转移理论中,通过采用不变风险最小化(IRM)类似的假设连接分布,研究源分布到目标分布的分类器,揭示了源分布数据足够准确分类目标的条件,并讨论了在这些条件不满足时,只需目标的无标签数据或标记目标数据的情况,并提供了严格的理论保证。
- ICMLFlashST: 一个简单且通用的交通预测快速调整框架
本文介绍了一种简单且通用的时空提示调整框架 - FlashST,用于适应多样化下游数据集的特定特征,提高各种交通预测场景的泛化能力,并通过包含分布映射机制来实现预训练数据和下游数据的有效知识传递,通过对多样化城市数据集进行实证评估,验证了 - 逆因果执行预测中的分布图学习
基于一种逆因果模型,通过代理行为构建微观基础模型,以及统计学上合理的方法来学习分布偏移图,从而有效地降低表现预测风险。
- 公正中心技术简报:分布偏移的定义和检测
在机器学习任务中,分布偏移是一种常见情况,其表示训练模型使用的数据与实际应用模型的数据不同。本文旨在定义和检测教育环境中的分布偏移,关注标准预测问题,即学习一个以输入序列为输入(预测变量)X=(x_1,x_2,...,x_m) 并生成输出 - 适应分布偏移的大规模多模态模型:内文学习的作用
本文研究了在特定领域如医疗保健中,大型多模态模型(LMMs)虽然具有高鲁棒性,但仍需要领域特定的适应性,因此提出了一种有效的解决方案 —— 上下文学习(ICL)。通过评估无监督的 ICL 方法和提出的基于类别条件对比不变性(CCI)的 In - 离线强化学习多任务数据共享的悲观值迭代
离线强化学习(RL)在从固定数据集中学习特定任务策略方面显示出有希望的结果。然而,成功的离线 RL 往往严重依赖于给定数据集的覆盖范围和质量。在特定任务的数据集有限的情况下,一种自然的方法是通过来自其他任务的数据集改进离线 RL,即进行多任 - M3BAT:多分支敌对训练实现的多模态移动感知无监督领域适应
通过对多模式移动传感数据进行无监督域自适应的多分支对抗训练,我们的方法在未知领域上表现出色,相较于在源领域训练的模型,分类任务的 AUC(特征曲线下面积)提高了 12%,回归任务的 MAE(平均绝对误差)提高了 0.13。
- RingID:增强多密钥识别的树轮数字水印重新思考
我们重新审视了树环水印技术,一种展现出对各种攻击有很好鲁棒性的最近扩散模型水印技术,并对其进行了深入研究,揭示了其在水印处理过程中意外引入的分布转变,除了水印的模式匹配之外,对其卓越的鲁棒性起到了作用。我们的调查进一步揭示了其原始设计中固有 - 政策引导扩散
我们提出了一种使用扩散模型生成基于行为分布的整个轨迹,并通过目标策略引导将合成经验转移到更贴近目标策略的方法,以此代替真实数据进行离线强化学习,并在各种标准离线强化学习算法和环境中取得显著的性能改善。
- 逐层早停机制用于测试时间适应
通过引入 Layerwise EArly STopping (LEAST) 和使用一种新的基于梯度的度量来衡量当前学习特征对新域的相关性,我们提出了一种解决 Test Time Adaptation (TTA) 中保持学习新特征和保留预训练 - 学习带有分布偏移的半空间交集:改进算法和 SQ 下界
针对高斯训练分布的交叉半空间集的可测试学习,证明了一种新的上界算法,能在多项式时间内实现 TDS 学习,且达到精确度 e,扩展了 TDS 学习工具库。
- TransFusion:高维回归的协变量漂移鲁棒迁移学习
在高维回归环境中,我们提出了一种具有新型融合正则化器的两步法,有效利用来自源任务的样本,提高对具有有限样本的目标任务的学习性能,并提供了目标模型估计误差的非渐近界限,表明所提方法对协变量转变的鲁棒性。我们进一步确定了估计器最小化优选的条件。 - COLING从法律判决中提取与查询相关的段落
针对从法律判决中提取相关段落的任务,本文构建了一个专门的数据集,并评估了当前检索模型的性能,同时还使用不同模型建立了微调基准。结果突显了微调和零 - shot 方法之间的显著差距,强调了处理法律领域中分布偏移的挑战。本文还探讨了各种参数高效