实体
Performative Prediction
Performative Prediction
PulseAugur coverage of Performative Prediction — every cluster mentioning Performative Prediction across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新优化方法应对表现性预测挑战
研究人员开发了一种新的基于梯度的方法，旨在处理表现性预测问题，即模型的部署会影响未来的数据分布。这种新方法放宽了对数据分布和损失函数的先前假设，使其具有更广泛的适用性。该方法使用有限差分来估计分布变化，从而实现更高维度的优化，并支持更多种类的损失函数和数据类型。还引入了一个实际变体以减少样本需求，数值实验表明与现有方法相比，收敛速度和一致性有所提高。
-
新原理解释AI模型在数据影响下仍能收敛
一篇新论文引入了“稳定信号原理”，以解释机器学习模型在重新训练过程中如何收敛，即使它们对数据的影响很大。该原理认为，模型的收敛是由预测目标的少量、与模型无关的成分引导的，例如物品的内在质量。研究表明，通过适当的正则化，重复的风险最小化可以几何收敛到这个稳定信号，从而为语言模型在生成数据上的表现力和训练动力学提供了新的见解。
-
新框架模拟机器学习分布偏移的两种来源
研究人员引入了一个名为“部分执行预测”的新框架来解决机器学习中的分布偏移问题。该框架同时考虑了模型部署引起的内部变化和外部不可控的环境漂移。该研究将执行稳定性和最优性的现有概念扩展到这种在线设置，并分析了诸如重复再训练等策略以适应这些不断变化的环境。