关键词linear regression models
搜索结果 - 16
- 机器遗忘的重构攻击：简单模型易受攻击
机器遗忘是出于对数据自治的渴望：一个人可以要求使其数据在部署模型中的影响消失，并且这些模型应该更新，就像重新训练而没有该人的数据一样。然而，我们展示出这些更新与个人之间会暴露出高精度的重构攻击，这使得攻击者可以完整地恢复其数据，即使原始模型 - 科学机器学习中基于多种准确度的线性回归模型从稀少数据中学习
在科学机器学习中，我们提出了一种新的多保真度训练方法，利用可用的不同保真度和成本的数据，通过多保真度数据定义线性回归模型的未知参数的新的多保真度蒙特卡罗估计器，并提供理论分析以保证该方法的准确性和对较小训练预算的改进鲁棒性。数值结果验证了理 - 基于数据驱动的地震强度分布预测及混合分类 - 回归模型研究
通过开发基于地震参数（位置、深度和震级）的线性回归模型，本研究旨在准确预测地震强度分布，而无需地理信息。该模型基于 1997 年至 2020 年间在日本附近发生的大于 5.0 级的 1,857 次地震的地震强度数据，通过训练回归和分类模型以 - 自适应预测缺失数据的优化
训练具有缺失条目的预测模型时，我们可以利用两阶段自适应优化问题来处理缺失数据，并提出了一种新类模型，即自适应线性回归模型，其中回归系数根据观测特征进行自适应。我们展示了一些自适应线性回归模型等价于同时学习一个填充规则和一个下游线性回归模型， - 加密货币质押奖励预测
探究预测加密货币质押奖励的一个相对未被研究的领域，结果显示可使用滑动窗口平均值方法，在 1 天和 7 天前瞻中将 ETH 质押奖励预测误差控制在均值的 0.7% 和 1.1% 内。此外，我们发现不同加密货币（包括 SOL、XTZ、ATOM - CATE Lasso：高维线性回归下的条件平均治疗效应估计
在关于两种处理方法的因果推断中，条件平均处理效应（CATEs）作为一种代表个体因果效应的数量起着重要角色，它被定义为在协变量条件下两种处理方法的期望结果的差异。本研究假设了两个潜在结果与两种处理方法的协变量之间的线性回归模型，并将 CATE - 远程推断使用图片描述在 ALS 患者中的认知分数
使用语言分析技术检测肌萎缩侧索硬化症（ALS）患者的认知功能，并预测 ECAS 子分数和总分的线性回归模型的可靠性研究。
- 鲁棒的线性回归：相变和常规范的精确权衡
通过对线性回归模型进行测试时对抗攻击的影响研究，确定在保持给定水平的传统预测性能（准确性）的同时，任何模型可以达到的最佳鲁棒性水平。我们通过定量估计揭示了在不同情况下对抗鲁棒性和准确性之间的根本权衡。我们得到了一个精确的描述，可以区分可在不 - 回归中的异常值检测：锥二次形式
本论文提出了使用二阶锥松弛方法来解决具有离群值时使用线性回归模型所遇到的混合整数优化问题，相比于现有方法使用的大 M 约束进行的线性化，该方法具有更强的弛豫度且性能更优。
- 基于投影残差的机器遗忘方法
该论文采用基于牛顿迭代方法的投影残差方法，旨在实现线性回归模型和神经网络模型的机器消遗任务。该方法主要使用迭代加权方法，完全忘记数据及其对应的影响，其计算成本与数据特征维度线性相关，并独立于训练集的大小。实验结果表明，该方法较近于模型重新训 - 关于对抗训练的泛化性质
本论文研究了一种泛用的对抗训练算法的泛化性能，并考虑了线性回归模型和两层神经网络（使用平方损失）在低维和高维情况下的表现，其中，我们发现数据内插会防止对抗性鲁棒估算器的一致性，因此，我们引入 L1 惩罚，在高维对抗学习中，证明了它可以导致一 - ICML更多数据可能扩大对抗性鲁棒模型和标准模型之间的泛化差距
针对现代机器学习模型易受到对人类不可察觉的攻击的问题，采用对抗培训来学习鲁棒模型的代价是在未被扰动的测试集上存在更高的泛化误差，此研究证明更多的数据可能会增加鲁棒分类器与标准分类器泛化误差的差距并提出了理论结果以判定何时和何种情况下添加更多 - 使用影响函数奖励高质量数据
本文介绍了一种针对众包数据采集的新方案，在线性回归模型中设计了一种激励机制，旨在促使代理提供高质量数据，并证明了该方案确保了数据报告的真实性和鲁棒性，同时并对影响与总损失的差异进行了矫正，实现了有效的数据收集。
- ICML信号和噪音统计信息不可知的正交匹配追踪
本篇论文提出了一种名为残差比阈值法（Residual Ratio Thresholding，RRT）的新技术，可以在没有关于疏密性和噪声统计的任何先验知识情况下运行正交匹配追踪（Orthogonal Matching Pursuit，OMP - 利用倾斜方法进行高维变量选取
该论文提出了一种新的变量选择方法，该方法考虑了因数据面临的高维复杂性带来的诸多挑战，提出了一种倾斜相关性的度量方法，并构建了一个迭代变量筛选算法，以实现高效的变量选择。
- 基于计算可行性的受测量约束回归模型实验选择
本文提出基于连续松弛和贪心算法的计算方法，用于在给定设计点集中选择一小部分实验设定，重点考虑线性回归模型和广义线性模型。结果表明本文提出的方法可以在合理的计算时间内得到良好的结果。