研究人员开发了一种名为反事实残差数据增强（CRDA）的新技术，用于在训练数据有限或有噪声的情况下改进回归模型。CRDA利用回归模型中残差的稳定性，通过引入对选定特征的反事实变异来生成新的、真实的训练样本。该方法与模型无关，并在实验中显示出显著的改进，将MLP的均方误差（MSE）平均降低了22.9%，将XGBoost回归器的MSE降低了6.4%。CRDA在MSE降低方面持续优于现有的数据增强技术，为小样本、易受噪声影响的回归任务提供了有效的解决方案。 AI
影响 增强了回归模型在数据稀缺环境下的性能，可能改进依赖预测建模的领域的应用。
排序理由 该集群包含一篇详细介绍新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
