实体
Repeated Risk Minimization
Repeated Risk Minimization
PulseAugur coverage of Repeated Risk Minimization — every cluster mentioning Repeated Risk Minimization 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
-
绩效预测框架解决了选择性标签的挑战
研究人员引入了一个新的绩效预测框架，该框架考虑了选择性标签，即模型预测会影响观察到的数据点。这解决了先前模型中假设标签完全可用的局限性。所提出的方法使用最坏情况目标并在观察到的数据上进行再训练，以在标签信息不完整时保持收敛到稳定解决方案。在贷款应用中的实验表明，这种鲁棒优化方法与具有完全标签访问的标准重复风险最小化方法的性能非常接近。
-
新框架通过选择性标签解决表现性预测问题
本文介绍了一个用于“选择性标签下的表现性预测”的正式框架，该框架解决了机器学习模型影响群体行为且标签仅对部分人群可见的场景。研究表明，当标签具有选择性时，标准的再训练方法可能无法收敛到稳定解。为应对此，作者提出了一种使用标签概率置信区间的最坏情况目标函数，该函数与重复风险最小化相结合，可确保模型接近真实的稳定点。在具有公平性正则化的贷款应用中的实验表明，这种鲁棒优化方法在性能上可与使用完整标签访问的方法相媲美。
-
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。