Decision boundary
PulseAugur coverage of Decision boundary — every cluster mentioning Decision boundary across labs, papers, and developer communities, ranked by signal.
-
教程解释线性判别分析和二次判别分析方法
本教程深入探讨了线性判别分析（LDA）和二次判别分析（QDA），它们是统计学习中基本的分类方法。教程探讨了决策边界的优化，并推导了用于二元和多类别的LDA和QDA，包括参数估计。该论文还将这些方法与度量学习、核主成分分析和逻辑回归等概念联系起来，证明了它们与费舍尔判别分析的等价性，并通过模拟说明了理论要点。
-
分析显示 AI 法官的同意率指标可能具有误导性
最近的一项分析强调了评估 AI 法官时的一个常见问题：与人类标签的总体同意率指标可能具有误导性。虽然一个法官可能显示出很高的总体同意率（例如 92%），但这个数字通常会被远离决策边界的简单案例所扭曲。实际上，法官在关键的、临界案例上的表现——那些最接近错误影响最大的阈值的案例——可能显著较低，大约为 60%。这种差异的出现是因为大多数示例都接近决策阈值，使得总体同意率统计数据在理解法官在实际门控场景中的有效性方面信息量不足。
-
新的数学界限应用于神经网络鲁棒性
研究人员发表了一篇论文，详细介绍了光滑Pfaffian超曲面管状邻域体积的新数学界限。这些界限使用定义函数的Pfaffian格式表示，可用于理解神经网络分类器的鲁棒性。具体而言，该研究为采用Pfaffian激活函数的神经网络的条件数提供了尾部界限，并推导出了具有有理权重的单隐藏层sigmoid网络中决策边界的宽度多项式界限。
-
新的BMO方法可防御设备端AI模型免受跨节点攻击
一种名为BMO的新方法已被开发出来，用于增强设备端机器学习模型免受跨节点攻击的安全性。该技术通过多样化决策边界来混淆模型参数，使其更能抵抗获得白盒访问权限的攻击者对受损边缘设备的攻击。与现有方法相比，BMO实现了显著更高的防御成功率，同时保持了可比的良性准确性。