Chen Cheng
PulseAugur coverage of Chen Cheng — every cluster mentioning Chen Cheng across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究质疑监督学习中标准数据标注实践
本文介绍了一个理论模型，用于分析为监督学习数据集收集多个标签并将其聚合为单个“真实”标签的过程。作者质疑标准做法，认为使用非聚合标签信息可以使训练校准良好的模型更加可行。他们的分析表明，虽然聚合标签提供了鲁棒但收敛速度较慢的特性，但如果模型能够准确学习真实的标注过程，利用所有标签可以实现更快的收敛。该研究提出了对真实世界数据集的预测，并进行了测试和验证。
-
新研究详细介绍了可交换张量和矩阵数据的集中不等式
一篇新发表在arXiv上的研究论文介绍了针对结构化加权随机数据和的新的集中不等式，特别是张量内积和序列矩阵和。该工作通过利用可交换性来开发比以往更精确的界限，超越了独立项的范围，包括对矩阵数组组合和的改进集中界限。这些理论进展为估计多因素响应模型中的平均效应和分析联邦平均中的固定设计草图方法提供了新的分析工具，数值证据支持了这些预测。
-
新研究将记忆和过拟合与机器学习中的先验信息联系起来
研究人员探讨了过参数化线性模型中训练误差与泛化误差之间的关系。他们的工作在具有一般先验的贝叶斯框架内进行，确定了最优泛化需要近乎插值训练数据或遵循噪声水平的特定条件。这些现象与由先验分布的Fisher信息和方差参数决定的阈值有关。
-
研究论文详述用于鲁棒机器学习模型的标签清理
一篇新的研究论文探讨了如何通过聚合标签（即使来自嘈杂的来源）的学习程序，比使用原始标签的学习程序获得更强的鲁棒性。这种方法为风险最小化任务提供了更强的 समरूपता (consistency) 保证，并且即使模型略有误设也能收敛到最优分类器。该研究强调了从收集到拟合的全面数据分析流程在提炼嘈杂信号和改进方法论方面的好处。