PulseAugur
中
实时 00:05:03

新方法改进了自适应在线学习中的反事实预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了倾向性加权在线一致预测（PW-OCP）及其双重稳健变体（DR-OCP），以解决在线一致预测在预测影响行动和结果时出现的故障。这些新方法通过使用逆倾向性加权来消除校准偏差，其中 DR-OCP 通过结合结果模型和倾向性误差来进一步减少偏差。实验表明，在满足正值条件的前提下，PW-OCP 和 DR-OCP 在各种决策任务中提高了反事实覆盖率并降低了遗憾，同时不损害预测集的清晰度。 AI

影响 通过提高反事实覆盖率，增强了自适应决策系统的鲁棒性和准确性。

排序理由 该集群包含一篇研究论文，详细介绍了在线一致预测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新方法改进了自适应在线学习中的反事实预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xinyu Qiao, Yichen Lin, Kaihong Ji, Xue Wang, Tao Yao ·

    自适应日志记录下的反事实在线一致性预测

    arXiv:2609.30811v1 Announce Type: new Abstract: Online conformal prediction can fail when predictions shape actions and actions determine which outcomes enter calibration. Standard adaptive methods may retain marginal coverage while systematically miscovering the counterfactual o…

相关实体

相关话题