实体
Pour
Pour
PulseAugur coverage of Pour — every cluster mentioning Pour across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新研究通过提高样本效率来推进“相对智能学习”
研究人员推进了“相对智能学习”概念的研究，该概念是指监督学习器旨在匹配从无标签数据中推导出的任何可认证误差保证的性能。新工作表明，ERM 等标准学习器对于二元分类是“相对智能”的，需要样本复杂度呈二次方增长。此外，研究表明半监督学习仅需无标签数据复杂度呈二次方增长即可实现此目标，尽管这种效率是以某些学习算法的可处理性为代价的。
-
研究人员开发POUR，一种可证明最优的AI表示遗忘方法
研究人员开发了一种名为POUR（Provably Optimal Unlearning of Representations）的新方法，可以在不完全重新训练的情况下，有效地从机器学习模型中移除特定概念或训练数据。该方法侧重于在表示层面进行遗忘，确保改变的是内部模型表示，而不仅仅是最终的分类器。POUR利用几何投影和蒸馏方案，在保持保留知识和类别分离的保真度的同时，实现最优遗忘，并在基准数据集上优于现有方法。