新的ProME方法在无显式标签的情况下增强了群体鲁棒学习

研究人员推出了一种新颖的群体鲁棒学习方法ProME（原型边距环境），旨在提高罕见子群体上的准确性，而无需显式的训练群体标签。ProME通过分割原型边距并使用群体平衡的线性头来排序预测器，从而使表示的选择和分类器的拟合与部署的预测器保持一致。该方法在广泛的实验中显示出比现有技术更优越的最差群体准确性。 AI

影响 提高了机器学习模型中罕见子群体的准确性，可能改善公平性和可靠性。

排序理由 该集群包含一篇详细介绍群体鲁棒学习新方法的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Erasmus University Rotterdam
• Gotit.pub
• group-robust learning
• Hugging Face
• IArxiv
• ScienceCast

• 论文
• 模型发布

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