新的CISO框架为不平衡学习提供每实例安全保证

研究人员开发了认证插值安全过采样（CISO），一个新颖的三阶段框架，旨在为不平衡学习任务生成合成数据实例。与仅关注预测性能的传统方法不同，CISO包含一个安全目标，确保每个合成实例都具有可验证的安全属性。该框架在合成数据与多数类之间的距离方面提供了保证，并允许在边界搜索和内部搜索合成之间进行受控的转移，同时保持具有竞争力的预测准确性。 AI

影响 这项研究引入了一种新颖的合成数据生成方法，该方法在预测性能的同时优先考虑安全性，有可能提高在不平衡数据集上训练的模型的可靠性。

排序理由 该集群包含一篇详细介绍新机器学习方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Certified Interpolation Oversampling
• Connected Papers
• DagsHub
• Gotit.pub
• Hugging Face
• Litmaps
• Pankaj Yadav
• ScienceCast
• scite Smart Citations
• Smote

• 论文
• 安全
• 其他

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