本文介绍了一种分析机器学习中漂移模型的新方法，重点关注如何从嘈杂、有限的数据中得出关于目标和模型分布的结论。所提出的方法，有限探测全变分证书（Finite-Probe Total-Variation Certificates），提供了一个后验全变分置信上限，该上限考虑了各种误差来源，包括噪声、算子误差和近似半径。对于像高斯-RBF（Gaussian-RBF）这样的特定交互类型，该方法提供了无截断的无分布界限，并为拉普拉斯相似性（Laplace similarity）提供了伴随界限。随机探测的可观测性由总体Gram矩阵表征，并分析了秩和对称退化，证明了在大带宽下向均值匹配的坍缩。 AI
影响 引入了一个新颖的理论框架来分析模型分布，有可能提高机器学习模型的鲁棒性和可解释性。
排序理由 该条目是一篇提交到arXiv的stat.ML类别的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- DagsHub
- Finite-Probe Total-Variation Certificates for Finite-Basis Drifting Models
- Gaussian RBF
- Gotit.pub
- Hugging Face
- Laplace
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
