PulseAugur
中
实时 13:04:34

神经网络架构对时间数据偏移的鲁棒性各不相同

作者 PulseAugur 编辑部 · [2 个来源] ·

一篇新发表在arXiv上的研究论文，探讨了不同的神经网络架构如何应对时间分布偏移（即真实世界数据随时间变化导致模型性能下降的现象）。该研究系统地比较了多层感知机、卷积神经网络、循环神经网络和基于Transformer的编码器等多种模型家族，应用于图像分类、文本分类和文本回归任务。研究结果表明，依赖高度特定特征的架构往往下降更快，而使用更广泛、更稳定表示（如预训练编码器）的架构则对这些时间偏移表现出更强的鲁棒性。 AI

影响 为选择对不断变化的真实世界数据分布更具弹性的神经网络架构提供了指导。

排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了实证研究结果。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

神经网络架构对时间数据偏移的鲁棒性各不相同

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Robin Holzinger (Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, USA), Riccardo Colletti (Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, USA) ·

    Drift Happens: An Empirical Study of Neural Architecture Robustness to Temporal Distribution Shift

    arXiv:2607.05908v1 Announce Type: new Abstract: Real-world data distributions evolve over time, inducing temporal distribution shift that can substantially degrade the reliability of deployed machine learning systems. However, the extent to which architectural choices and their a…

  2. arXiv cs.LG TIER_1 English(EN) · Riccardo Colletti ·

    漂移发生：神经架构对时间分布变化的鲁棒性实证研究

    Real-world data distributions evolve over time, inducing temporal distribution shift that can substantially degrade the reliability of deployed machine learning systems. However, the extent to which architectural choices and their associated inductive biases affect temporal robus…

相关实体

相关话题