关键词probabilistic classifier
搜索结果 - 11
- 最大熵奖罚强化学习
我们介绍了 “soft Deep MaxPain”（softDMP）算法，将长期策略熵的优化整合到奖惩强化学习目标中，旨在提高样本效率和鲁棒性，并解决了前一篇 Deep MaxPain 方法中的两个问题，通过实证研究在两种离散马尔可夫决策过 - 图神经网络输出几乎肯定是渐近常数
图神经网络（GNN）是用于各种图学习任务的主要架构。我们通过研究 GNN 概率分类器在从某个随机图模型中抽取的较大图上应用时的预测如何演变来呈现 GNN 表达能力的新视角。我们展示了输出收敛为常函数的现象，这个常函数上界了这些分类器能够统一 - 关于部分标签学习中的无偏探索
使用标准神经网络结构和 softmax 作为最终层从部分标记的监督中学习概率分类器，根据实验发现原模型可能存在偏差现象，导致梯度下降动力过于敏感而不能进行正确的探索，因此提出一种新型的损失函数来解决这个问题，并在合成数据、部分标注基准和现存 - KDD分类器调整：变革在发生
提出了无界和有界的调整方法，以平均预测与类分布相等化，以最小化得分规则。实验结果表明在实际应用中，即使类分布仅近似已知，仍然可以根据移位量和类分布的精度减少损失。
- EMNLP疑虑时：通过交替规范化改善分类性能
本文介绍了基于交替标准化（CAN）的分类方法，该方法是一种非参数后处理步骤，通过重新调整基于高置信验证样例预测的类分布，来提高分类算法对于具挑战性的样例的准确性，在各种分类任务中具有较高的实用性和有效性。
- ICLR证据图灵过程
本文介绍了一种结合了 Evidential Deep Learning、Neural Processes 和 Neural Turing Machines 的概率分类器应用，本分类器能够对目标域数据进行成功拟合并在目标域的困难区域（例如类重 - ICCVvon Mises-Fisher 损失：探索嵌入式几何模型用于监督式学习
研究了 embedding geometry 对 softmax losses 在分类和图像检索任务中的影响，并提出了一个基于 von Mises-Fisher 分布的概率分类器，在产生改进的 out-of-the-box 校准的同时，与现 - 使用替代梯度学习进行多标签音频标记的快速阈值优化
本研究旨在提出一种新的基于代理梯度学习的阈值自动优化方法，名为 SGL-Thresh，能够对音频多标签分类的决策阈值进行优化，并使用深度神经网络在三个数据集上进行实验，达到 54.9% 的 F1 值，比传统方法 defThresh 表现更好 - 有信心样本的学习：用于带有噪声标签的强鲁棒分类的排名剪枝
使用 Rank Pruning 算法解决嘈杂的正负样本学习问题，并且可以估计噪声率，并在 MNIST 数据集上取得了最先进的噪声估计和分类性能。
- AAAI在对话中发现消息之间的对话依赖关系
通过调查一对一在线聊天中推断聊天依赖关系的任务，本文提出了一种新颖的基于概率的分类器，该分类器利用了对话，词汇和语义信息，并从一个中国电子商务网站的客户服务聊天记录中进行了实证评估，表现优于基准启发式方法。
- 基于平方损失互信息的信息最大化聚类
该论文提出了一种基于核特征值分解的新型信息最大化聚类方法，该方法使用变体的互信息的平方误差作为目标函数进行聚类，具有高效性和可解性。同时，该方法还提供了一个实用的模型选择过程来优化核函数中包含的调整参数，并通过实验证明了该方法的实用性。