实体
importance sampling
importance sampling
PulseAugur coverage of importance sampling — every cluster mentioning importance sampling across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
论文回顾了蒙特卡洛重要性采样中的最优性
本文全面回顾了重要性采样技术中的最优性，这是蒙特卡洛采样方法性能的关键组成部分。它探讨了设计自适应提议密度的各种框架，包括用于模型选择的边际似然近似、多个提议密度的使用以及一系列温度后验。该调查还深入研究了在近似贝叶斯计算和强化学习等嘈杂场景中的应用，并提供了理论和经验比较。
-
新研究推进机器学习的策略外评估技术
两篇新研究论文探讨了机器学习中策略外评估（OPE）的高级技术，这是一个使用现有数据评估新策略性能的关键过程。第一篇论文引入了“Quotient DAGs”，用于处理奖励仅取决于无序项目集但生成过程是有序的情况，从而减少了干扰方差。第二篇论文“CANDOR”提出了一种双重稳健的OPE估计器，通过将注释纳入奖励模型组件，有效地利用了不完美的专家标注反事实样本，尤其适用于医疗保健应用。
-
新的DR-IS方法提高了机器学习在对抗性标签损坏方面的鲁棒性
研究人员开发了一种名为不一致正则化重要性采样（DR-IS）的新型子采样方法，以提高机器学习在对抗性标签损坏方面的鲁棒性。该方法利用独立代理集成中损失排序的不一致性来识别和降低损坏数据点的权重。DR-IS在样本集中性和污染界限方面提供了理论保证，并在目标攻击下，实证上优于基于幅度的EL2N等方法。