新研究揭示机器学习中的数据估值失真

一篇题为“Validation-Induced Shapley Shifts: How Validation Structure Distorts Data Valuation”的新研究论文发布在arXiv上，该论文强调了机器学习数据估值方面的一个重大漏洞。研究表明，即使对验证集进行微小的改动，例如添加噪声，也会导致Shapley值（用于归因训练数据重要性的指标）发生显著变化。这种失真归因于一种由噪声引起的邻域重排效应，该效应使数据估值格局变得平坦。研究人员提出了归一化和边界感知验证策略，以创建更稳定可靠的数据估值方法。 AI

影响 强调了当前数据估值方法中的一个关键缺陷，可能影响机器学习模型开发和部署的可靠性。

排序理由 该集群包含一篇详细介绍机器学习方法学新发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• Influence Flower
• KNN-Shapley
• ScienceCast
• Shapley Values
• Validation-Induced Shapley Shifts: How Validation Structure Distorts Data Valuation

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →