- PAGER:深度回归模型故障分析框架
深度回归模型中失败检测的系统性分析框架 PAGER 能够通过利用先验不确定性和新颖的非一致性评分从不同风险范围划分样本,并提供模型错误的全面分析。在合成和真实基准测试中展示了 PAGER 的有效性,能够识别精确泛化的区域并检测超出分布和支持 - 最小误差熵准则的鲁棒性再探:一项迁移学习案例研究
本文旨在探讨最小误差熵准则 (MEE) 在非高斯噪声情况下的鲁棒性,并将其运用在实际的迁移学习回归任务中,结果表明仅通过将 MSE 损失替换为 MEE,我们就能够在 fine-tuning 和线性探测等基本的迁移学习算法上取得与最先进的算法 - 可解释回归的原型学习
本论文提出了 ExPeRT:一种可解释的基于原型的回归模型,该模型通过学习的原型的距离和标签的加权平均值进行样本预测,并实现了对成人 MR 和胎儿超声图像数据集的脑龄预测的最新性能。
- 后验退火:回归问题的快速校准不确定性
本研究提出了一种名为后验退火的快速校准不确定性估计方法,适用于多种深度回归模型和任务,并在各种网络结构和不同领域的任务上进行了实证分析。
- ECCV基于误差对齐不确定性优化的可靠多模态轨迹预测
通过提出基于误差对齐的不确定性优化方法和引入可训练的损失函数来估算深度神经网络的不确定性,以取得与模型误差相关性强的不确定性预测。该方法适用于连续结构化预测和回归任务,并在包括大规模车辆运动预测任务的多个数据集上进行评估,通过 Pearso - AAAI利用样本网络估算回归预测分布
本文介绍了 SampleNet,它是一个灵活和可扩展的架构,用于模拟深度神经网络预测的不确定性,并通过使用 Energy 分数学习样本以及 Sinkhorn 散度进行正则化来定义经验分布。在大规模真实世界的回归任务中,SampleNet 具 - CVPR元学习视觉回归任务的关键因素是什么?
本文探讨在高维度输入如图像中元学习的回归任务,提出两项主要贡献:设计两种新的跨类别层次的视觉回归任务,并通过深度学习技术强化元学习算法的泛化能力;在条件神经过程中,添加了功能对比学习(FCL),并通过端到端的训练得到了实验结果,表明先前的工 - 度量学习增强的生物化学回归域自适应最优输运
本文提出使用最优传输算法(OT)进行表示对齐,解决生物医学应用中的连续标签回归任务问题。通过提出新的测度域距离和引入后验方差正则化的方法,进一步为拓展任务提供了支持。此外,提出了将 OT 与度量学习相结合的方法,通过动态层次三重损失函数来描 - ICML跨领域深度高斯过程
本文提出了扩展 Inter-domain Gaussian processes 的 Inter-domain Deep Gaussian Processes 方法,基于现有的近似推理方法使用 inter-domain features 实现 - 通过自适应采样实现输入稀疏时间核嵌入
提出了一种近似输入稀疏度时间算法,用于加速核方法,通过重要性采样方法进行子抽样,进而实现数据点的 q 次张量串联的特征空间的隐式定义,得到了多项式核以及高斯核的子空间嵌入,同时也提出了新的统计保证方法用于核岭回归,实验证明算法胜过了现有的核 - 使用神经网络进行分子性质预测的不确定性量化
文章通过对 5 个基准数据集的系统评估,研究不同的不确定性量化方法在回归任务中的性能表现,发现没有一种方法完全优于其他方法,也没有一种特别可靠的错误排名。作者建议在已有的技术中进行选择。
- 图神经网络回归中的残差相关性
通过建模回归残差之间的相关性,提出一种简单、高效且可解释性强的框架,可以显著提高图神经网络的预测能力,并可扩展到大规模网络。
- MM通过带有输入 / 输出内核的残差估计量化神经网络中的点预测不确定性
该论文介绍了一种新的基于 Gaussian 过程模型的神经网络不确定性估算框架 RIO,该框架可应用于任何标准神经网络,无需对模型架构或训练流程进行修改,可以提供可靠的不确定性估算,并减少点预测的误差,具有较强的可扩展性。
- 回归任务中的不确定性预测评估和校准
本文提出了一种新的针对回归任务中不确定性预测校准的方法和评估方法,并通过对合成问题和对 COCO 和 KITTI 数据集的物体检测边界框回归任务的实验验证,展示出基于直方图的聚类方法和基于缩放的校准方法的效果相当好。
- IJCAIHDI-Forest:最高密度区间回归森林
本文提出了一种基于随机森林的新型最高密度区间回归模型(HDI-Forests),用于提高回归任务中预测置信度的质量和效率,并在基准数据集上进行了广泛的实验证明,相较之前的方法,能够将平均 PI 宽度减少 20% 以上且达到相同或更好的覆盖概 - AAAI全球特质:多语言词嵌入的个性化调整
本文提出了一种多语言模型,用于从四种不同语言(英语、西班牙语、荷兰语和意大利语)的文本数据中识别大五人格特质。我们提出了一种任务对齐方法(GlobalTrait),将训练特征从英语这样的高资源语言传递到其他低资源语言中,我们通过使用卷积神经 - 半监督深度核学习:通过最小化预测方差进行未标记数据回归
本论文提出一种半监督深度内核学习方法(SSDKL),该方法结合了神经网络的分层表示学习和高斯过程的概率建模能力,并利用未标记数据来提高真实世界回归任务的预测准确性。
- 深度学习的高质量预测区间:一种无分布、集成方法
本论文研究使用神经网络生成预测区间 (PIs) 以量化回归任务中的不确定性。通过导出一个无需分布假设的损失函数,该方法能够生成高质量的 PIs,并通过集成学习考虑了模型不确定性,实验结果表明该方法优于目前最先进的不确定性量化方法,平均 PI - 公平感知机器学习的两阶段算法
论文提出了一种基于两阶段最小二乘法的公平机器学习算法,能够有效处理数据中敏感属性与非敏感属性相关的不公平问题, 其独特之处在于该算法针对回归模型的不公平问题也能做出有效处理,并且能够解决数字敏感属性的问题,经实验验证表现卓越。
- 加性高斯过程
本文介绍了一种高斯过程模型,其中的函数是可加的,这种函数可分解为低维函数的总和,每个低维函数只依赖于输入变量的一个子集。该模型引入了核函数的一种表达形式,通过它可以高效地评估所有输入交互项,在回归任务中表现出具有先进性的预测能力。