- ICML可信动态扰动
我们提出了一种名为可信行动扰动(TAP)的新框架,用于创建修改输入以有益地改变真实的概率,包括一种新颖的验证过程来确保 TAP 改变真实的类概率而不是敌对地行动,还包括更适合在现实世界中实现变化的成本、奖励和目标定义,我们对验证过程的 PA - 航空管制员主观时间感知的自动分类:多模态生理数据
通过生理数据和机器学习分类器,我们开发了一种能够调节人的主观时间感知的设备,研究发现电皮肤活动是最具描述性的生物标志物,这项技术的进步可能在高风险职业的任务管理、压力减轻和整体生产力方面带来改进。
- 基于电网频率使用多分类器融合框架的电网分类的频谱图分析
通过从不同电网的音频和电能记录生成频谱图,利用特征明显的电网频率(ENF)模式辅助电网分类,本文提出了一种新的电网分类方法。该方法采用四种传统机器学习分类器和一个经由神经网络结构搜索优化的卷积神经网络(CNN)进行逐一分类,然后将这些分类结 - 直接估计生物声学数据中的呼叫密度
声学监测(PAM)研究通过使用数千小时的音频来监测动物群体、开展广泛的生物多样性调查、探测偷猎等威胁,并提出直接估计呼叫密度的方法,以更严谨地解决由于数据分布转变引起的核心问题并设计相应策略,并在夏威夷鸟类的实际研究中测试了该方法的有效性。
- 关于网络入侵检测机器学习的跨数据集泛化
通过对网络入侵检测系统(NIDS)的泛化能力进行全面分析,本研究采用跨数据集框架的广泛实验,使用四个数据集和四种机器学习分类器,发现当模型在同一数据集上进行训练和测试时,几乎可以完美分类攻击。然而,在跨数据集训练和测试模型时,除了少数攻击和 - 利用 HTTP 响应头在不平衡的环境中进行跨浏览器网络追踪分类
此研究使用来自 Chrome、Firefox 和 Brave 浏览器的数据,通过流量监测浏览器扩展 T.EX,设计了有效的机器学习分类器,用于使用 HTTP/S 响应头检测网络追踪器。结果显示,这些分类器在 Chrome 和 Firefox - 利用机器学习分类器建模货运模式选择:基于商品流量调查(CFS)数据的对比研究
通过研究货运方式选择模型中机器学习分类器的实用性,本研究调查了八种常用的机器学习分类器,包括朴素贝叶斯、支持向量机、人工神经网络、K 最近邻、分类与回归树、随机森林、提升 (boosting) 和装袋 (bagging),并与经典的多项式逻 - 朝着利益相关者对齐的机器学习的稳定偏好
为了应对肾脏分配面临的紧迫挑战,本研究旨在开发一个数据驱动的解决方案,并融入利益相关者的价值观。通过使用 “两两对比肾脏患者在线调查” 数据,经过个人、团体和稳定性三个层面的评估,我们运用机器学习分类器来学习个人和团体层面对肾脏分配的偏好。 - 信任,但要验证:随机平滑技术综述
机器学习模型容易受到对抗攻击,通过随机平滑技术进行认证防御可以提高分类器的鲁棒性。该研究探讨了随机平滑的理论基础、实证有效性和应用,系统化总结了现有知识并提出潜在解决方案。
- 用于发展基于人工智能的帕金森氏症语音评估的合成数据生成技术(一项比较研究)
通过深度学习生成技术,本论文探讨了对于核心 AI 系统而言机器学习分类器的准确性的影响,以进一步提高通过声音识别帕金森病的 AI 系统性能。
- 评估易变模拟器对自动驾驶系统测试的影响
自动驾驶系统模拟器的不稳定性会导致测试结果不一致,本研究通过研究两个关键问题:(1)不稳定模拟对基于随机算法的自动化测试的影响如何?(2)机器学习是否能够有效识别不稳定的测试并减少测试重新运行的次数?实证结果表明:自动驾驶系统测试的不稳定性 - 使用受 ROCR 平正则化的保序回归进行分类器校准
机器学习分类器的校准是为了获得可靠且可解释的预测结果,本论文提出了一种新的广义各向同性回归方法,通过构建一个多维适应性分箱方案在概率空间中实现多类别的校准误差为零,并在实验证明了该方法能够在降低交叉熵损失和避免过拟合校准集之间取得平衡。
- ICML用户生成文本在创作领域中的流行度受到哪些因素的影响?图书评论案例研究
本研究通过对书评的心理、词汇、语义、易读性等特征进行统计分析,使用两种易读性测试探索阅读便利程度与书评受欢迎程度的正向关联,并运用传统机器学习分类器和基于 Transformer 的预训练语言模型,自动判断书评的受欢迎程度。研究结果表明,除 - 为了校准和一致的延迟学习而捍卫 Softmax 参数化
通过学习让机器学习分类器在更准确的专家存在时推迟决策,可以提高安全性和性能。本研究证明了以先前文献中代理损失的对称性为原因,而不是 softmax 本身,导致了未校准和无界估计的问题,并提出了一种新颖的统计一致的基于非对称 softmax - 公平特征选择:多目标遗传算法比较
该研究论文研究了公平分类中的特征选择问题,通过比较两种基于遗传算法的多目标优化方法,即帕累托支配型遗传算法和词典优化型遗传算法,发现词典优化型遗传算法在提升准确性的同时,不降低分类器的公平性,为公平分类研究指明了一条有前景的新方向。
- 对抗样本的可避免性:数据集中度在对抗鲁棒性中的作用
现代机器学习分类器对于对抗性样本的易受攻击性已经引起了理论结果的关注,这些结果可能过于一般化以至于不适用于自然数据分布。本研究在理论上证明了数据分布的一个关键特性 —— 对输入空间的小体积子集的集中程度 —— 决定了是否存在健壮的分类器,并 - DiffDefense: 通过扩散模型抵御对抗性攻击
这篇论文提出了一种新的重建方法,利用扩散模型来保护机器学习分类器免受对抗攻击,而无需对分类器本身进行任何修改。
- 利用眼动追踪技术和机器学习来识别放射医生的研究案例
基于眼动数据的特征编码方法被用于区分放射科医师的水平,该方法在鉴定放射科医师专业水平方面表现优于当前的先进技术。
- 用对抗性样本提升模型反演攻击
本文提出了一种新的训练范式,通过引入语义损失函数和注入对抗样本来增加训练数据的多样性,从而使攻击模型在数据重建过程中更加关注原始数据的类相关部分,进而提高现有学习攻击的性能。
- GBG++: 一种快速稳定的用于分类的颗粒球生成方法
本文提出了一种基于关注机制的快速稳定 Granular ball 生成方法,并在此基础上开发了 GB$k$NN++,它可将误分类降至一定程度,实验证明此方法在 20 个公共基准数据集上的性能优于现有 GB 基分类器和经典机器学习分类器。