Amirmohammad Farzaneh
PulseAugur coverage of Amirmohammad Farzaneh — every cluster mentioning Amirmohammad Farzaneh across labs, papers, and developer communities, ranked by signal.
-
新方法为风险规避决策制定提供多级可靠性保证
研究人员开发了一种新的风险规避决策制定方法，该方法提供多级可靠性保证，特别适用于无线广播等工程应用。该方法等同于在嵌套预测集上进行优化，与一致性预测相关联，并扩展了先前关于单级风险规避的工作。推导了一个对偶公式，以解耦跨输入值的优化，实验证明了使用共享策略强制执行多个可靠性级别所涉及的权衡。
-
新框架使用OCE指标优化风险规避决策
研究人员开发了一个新的不确定性下风险规避决策框架，利用优化的确定性等价（OCE）指标，该指标推广了均值-方差和条件风险价值（CVaR）等常用风险度量。该研究描述了已知分布下的最优策略，表明它可以从CVaR的预测集中导出，为保形预测提供了操作性解释。对于未知分布，提出了一种数据驱动的校准策略，该策略使用合成模型和校准数据来确保OCE风险的高概率控制。该方法在无线波束成形场景中进行了测试。
-
新的 C-PP-COAD 框架通过合成数据增强在线异常检测
研究人员开发了一个名为 C-PP-COAD 的新框架，用于在线异常检测，该框架使用合成数据来提高性能并减少对实时校准数据的依赖。该方法围绕现有的异常检测技术进行封装，从而能够对错误发现率进行正式控制。在网络安全和医疗保健等各种应用中的实验表明，C-PP-COAD 在维持严格的检测保证的同时，显著减少了对持续真实世界数据的需求。
-
新框架为AI提供统计有效超参数选择
一篇新的学术论文提出了一个统一的统计框架，用于AI系统的超参数选择，超越了经验方法，为可靠性和安全性提供了正式保证。该框架基于“学习后测试”范式，将超参数选择视为多重假设检验问题。这种方法允许选择能够证明满足特定要求的超参数，例如平均风险的界限或信息论约束，并能明确控制错误概率。
-
新框架SP-CCI改进了反事实结果的预测区间
研究人员开发了一个名为合成数据驱动CCI（SP-CCI）的新框架，以提高一致反事实推理的效率。该方法生成合成反事实标签来增强现有数据，旨在在不牺牲覆盖率保证的情况下产生更窄的预测区间。SP-CCI将这些合成样本纳入使用风险控制预测集和去偏步骤的一致校准程序中，为改进区间宽度提供了理论保证。