PulseAugur
中
实时 16:59:53

Heckman校正改进了机器学习模型的不确定性校准

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新方法来解决机器学习模型中的认知不确定性问题，特别是在训练数据存在选择偏差时。该技术借鉴了源自计量经济学的Heckman校正方法，联合建模选择过程和结果，校正影响两者的未观测变量。实验表明，当选择偏差较高时，重要性加权等标准方法无法保持准确的置信区间，而Heckman校正方法显著提高了校准精度。 AI

影响 这项研究可能有助于提高在有偏数据上训练的机器学习模型中置信区间的可靠性，从而改善金融和医疗保健等领域的决策。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种机器学习的新方法。

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 →

Heckman校正改进了机器学习模型的不确定性校准

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Gunner Levi Howe ·

    Heckman校正的认知不确定性：可观测性选择战胜重要性加权

    arXiv:2607.05806v1 Announce Type: new Abstract: Training data for machine learning is routinely collected by a selection process the model never sees: loans are observed only when granted, outcomes only when a test was ordered. The standard fixes -- importance weighting, covariat…

  2. arXiv cs.LG TIER_1 English(EN) · Gunner Levi Howe ·

    Heckman校正的认知不确定性：可观测性选择战胜重要性加权

    Training data for machine learning is routinely collected by a selection process the model never sees: loans are observed only when granted, outcomes only when a test was ordered. The standard fixes -- importance weighting, covariate-shift correction, MAR imputation -- assume sel…

相关实体

相关话题