新研究量化了分布偏移下每类覆盖的成本

研究人员分析了在训练和测试数据之间发生分布偏移时，识别系统中实现有效每类覆盖的成本。他们发现，虽然分裂保形预测（split conformal prediction）能保持边际覆盖，但每类覆盖可能严重失败。该研究提出了恢复每类有效性的方法，指出每类少量目标标签就足够了，但同时实现效率和有效性需要更多的标签，其数量与类别数量和效率损失容忍度成正比。一项使用骨架动作识别的案例研究表明，仅使用源标签进行每类校准就能恢复相当一部分覆盖差距。 AI

影响 为在分布偏移的真实场景中提高AI模型的可靠性提供了理论界限和实践见解。

排序理由 该集群包含一篇发表在arXiv上的学术论文，详细介绍了新的研究成果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• cs.LG
• natural-image corruption benchmark
• Prediction-powered inference
• Skeleton Action Recognition Based on Multi-Stream Spatial Attention Graph Convolutional SRU Network
• skeleton benchmark
• split conformal prediction

• 论文
• 其他

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