in-distribution | BriefGPT - AI 论文速递

关键词in-distribution

搜索结果 - 7

错误数据上的准确度：关于嘈杂数据对于超出分布泛化的陷阱
通过研究机器学习中的 “在线准确性” 现象，我们发现噪声数据和干扰特征会破坏准确性与超参数和数据配置之间的正相关关系，导致准确性与超参数和数据配置之间出现负相关关系。这种现象也可能出现在含有假特征的情况下，假特征会凸显出复杂信号特征，导致大
PDF9 days ago
全景非分布式分割
深度学习在全景分割方面取得了显著进展，但是全景分割在存在分布外（OOD）对象的情况下受到严重影响。为了解决这个问题，我们提出了一种用于联合像素级语义内部分布和分布外分类的分割方法。我们基于 Panoptic 分割基准数据集 Cityscap
PDF9 months ago
ICCV理解特征规范用于离群检测
研究发现，神经网络在训练分类数据集时，隐藏层特征的向量范数对于属于分布内的样本通常更高，而对于分布外的未知样本较低。解析神经网络中的中间层所隐藏的判别结构后，发现特征范数是网络层中的分类器隐藏的置信值，特征范数是一种类不可知的，可以检测各种
PDF9 months ago
EMNLP课程学习的培训动态：单语和跨语言 NLU 的研究
本研究利用训练动态作为难度指标，对现有的课程学习调度程序进行修改，并在多个自然语言理解任务中展示出通过训练动态的课程学习可以在零 - shot 跨语言传输和 out-of-distribution（OOD）场景下获得更好的性能，提高至多 8
PDF2 years ago
所有视觉模型都一样吗？一项有关开环到闭环因果间隙的研究
本文针对机器人应用中离线训练与在线闭环部署之间的因果差异来研究现代神经网络模型的性能表现，发现在合适的训练条件下，所有视觉网络结构在内部部署下表现相同，但在数据分布发生偏移时，无论模型选择都会失去目标，需要进一步针对数据多样性而非模型结构进
PDF2 years ago
ICLRIn-N-Out: 利用辅助信息进行预训练和自训练以提升对抗分布鲁棒性
通过将辅助信息作为输入特征来提高数据内误差，再通过将其作为辅助预训练任务的输出值来提高数据外误差，提出了一种 In-N-Out 方法，该方法既可以用于伪标注所有数据内数据，也可以用于在数据内和数据外错误方面优于仅使用输入或输出辅助信息。
PDF4 years ago
训练置信度校准的分类器用于检测离分布样本
本文提出了一种新的分类器训练方法，通过对深度神经网络引入两个额外的术语来增强分类器的推断性能，并同时训练分类和生成神经网络以解决样本的分布问题，该方法在多个流行的图像数据集上通过使用深度卷积神经网络的实验证明了其有效性。
PDF7 years ago