ensemble-based methods | BriefGPT

关键词ensemble-based methods

搜索结果 - 7

保守的 DDPG -- 无需集成的悲观强化学习
DDPG 面临过度估计偏差问题，而传统解决方法涉及到需要大量计算资源的基于集成的方法或难以理解和实现的复杂对数策略方法。相比之下，我们提出了一种简单的解决方案，使用一个 $Q$-target 并结合行为克隆（BC）损失惩罚作为不确定性度量，
PDF4 months ago
深度强化学习的多元先验
在强化学习中，代理人旨在最大化累积奖励，面临利用现有知识获取奖励或寻求潜在更高奖励的开发与探索困境。我们引入了一种创新方法，通过精心设计的先验 NNs，在强化学习的初始值函数中引入最大多样性，以解决常规集成型不确定性估计的问题。相比于随机先
PDF9 months ago
虚假特征多样化提高离域泛化
通过理论分析和实证研究，我们发现在处理超越分布数据的机器学习任务中，利用多样的偶然特征进行加权模型集成可以显著提高整体的超越分布泛化性能，而不同于传统观点所认为的学习不变特征的方法。此外，我们提出了一种名为 BAlaNced averaGi
PDF9 months ago
利用社交网络理论检测回归任务中的概念漂移进展
本文提出了一种基于社交网络理论的动态集合方法：Scale-free Network Regressor（SFNR），以检测数据流中的概念漂移。通过使用 Adaptive Window 算法，我们实现了更好的性能和准确性，尤其是在概念漂移的情
PDFa year ago
利用机器学习预测急诊诊所的患者需求
本文研究了使用机器学习方法在新西兰奥克兰的两家大型急诊诊所准确预测未来三个月每天的患者需求，并通过分析模型行为，探讨预测最有效特征，适应 Covid-19 引起需求波动的特征。结果表明，集成方法比现有的内部方法提供了更准确和一致的解决方案，
PDF2 years ago
可信的长尾分类
提出了一种可靠的长尾分布数据分类方法，采用多个专家框架联合进行分类和确定难样本，利用证据理论 (DST) 组合各种不同的不确定性和证据，同时通过动态专家引入实现高效率和可靠不确定性预测。
PDF3 years ago
AAAI通过 Ghost Networks 学习可迁移的对抗样本
本文提出了 Ghost Networks 方法来改进对抗样本的传递性，通过对现有模型应用特征级扰动来创建一组多样性模型，并使用纵向集成将这些模型融合在一起，从而在单模型和多模型攻击中有效提高了对抗性方法的效率和准确性，实验结果表明 Ghos
PDF6 years ago