Bayes error rate
PulseAugur coverage of Bayes error rate — every cluster mentioning Bayes error rate across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的BOLT损失函数旨在提高分类器训练精度
研究人员推出了一种新颖的训练损失函数BOLT，旨在为分类器提供贝叶斯误差率的通用上限。该新损失函数源自贝叶斯误差率，旨在通过最小化此上限来指导训练过程中的参数更新。在合成数据集和真实世界数据集上的实验表明，与传统的交叉熵训练相比，BOLT训练可以实现更低的测试集分类误差。
-
对抗性训练使线性 Transformer 具备鲁棒的上下文内学习能力
一篇新的研究论文探讨了对抗性训练在大型语言模型中实现鲁棒的上下文内学习的有效性。研究表明，在广泛任务上经过对抗性预训练的模型，可以通过上下文内学习在新的、未见过任务上实现最佳鲁棒性，而无需进一步进行特定任务的对抗性训练。这与标准训练的模型形成对比，后者无法在新的任务上达到相同的鲁棒性水平。该研究分析了收敛特性、准确性-鲁棒性权衡以及有效上下文内学习所需的演示复杂度。
-
新框架使用贝叶斯错误率评估人类移动可预测性
研究人员推出BER-PEF，一个旨在评估人类移动模式可预测性的新框架。该方法利用贝叶斯错误率估计，建立了一个统一的协议来比较不同的预测估计器，即使在没有直接真实数据的情况下也是如此。BER-PEF将符号序列、数值轨迹和上下文特征等各种数据类型映射到一个公共空间，以评估估计器输出与参考区间。在Foursquare NYC和TKY等数据集上的实验表明，基于BER的估计器比现有方法能提供更可靠的评估，尤其是在考虑上下文输入和结构化表示时。
-
新理论优化选择性假设检验，最大限度地减少犹豫不决
一篇新的arXiv论文介绍了一个选择性假设检验的理论框架，旨在最大限度地减少犹豫不决，同时实现低于贝叶斯误差率的目标精度。该研究表征了选择性分类中的最优风险，并展示了犹豫不决选择的连续性和单调性。所提出的方法应用于Neyman-Pearson检验框架内，在固定第一类错误概率的情况下允许控制第二类错误，实验表明在高斯混合模型和真实世界数据集中的选择性精度有所提高。
-
新框架估计3D医学视觉模型的迁移性
研究人员开发了一种新颖的拓扑驱动框架，用于估计3D医学视觉基础模型的迁移性。这种非参数方法利用最小生成树将密集特征图与语义标签对齐，解决了现有方法主要为图像级分类设计的局限性，这些方法无法保留分割任务的关键空间和边界细节。该框架结合了局部边界感知拓扑一致性和全局表示拓扑发散性，实现了最先进的估计性能，同时显著加快了评估过程。