Detecting and Mitigating Test-time Failure Risks via Model-agnostic Uncertainty Learning
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
在部署生产数据时,可靠地预测机器学习(ML)系统的潜在故障风险是值得信赖的AI的一个重要方面。本文介绍了Risk Advisor,一种新的事后元学习器,用于估计任何已经训练好的黑盒分类模型的失败风险和预测不确定性。除了提供风险评分外,风险顾问还将不确定性估计分解为任意和认知不确定性分量,从而对引起故障的不确定性来源提供信息性见解。因此,Risk Advisor可以区分由数据可变性、数据偏移和模型限制引起的故障,并就缓解措施(例如,收集更多数据以对抗数据移位)。在各种黑盒分类模型系列以及涵盖常见ML故障场景的真实世界和合成数据集上进行的广泛实验表明,Risk Advisor可以可靠地预测所有场景中的部署时故障风险,并优于强大的基线。
2021-09-09 cs.IR cs.LG stat.ML
Regularizing Black-box Models for Improved Interpretability
Carnegie Mellon University(卡内基梅隆大学);Petuum Inc(Petuum公司);Determined AI
大多数关于可解释机器学习的工作都集中在设计固有的可解释模型,这通常会权衡可解释性的准确性,或者事后解释系统,其解释质量可能是不可预测的。我们的方法ExpO是这些方法的混合,它在训练时规范了解释质量的模型。重要的是,这些正则化器是可微的,模型不可知的,并且不需要领域知识来定义。我们证明了ExpO正则化模型的事后解释具有更好的解释质量,如通过常见的保真度和稳定性度量所测量的。我们验证,提高这些指标导致更有用的解释与用户研究的一个现实的任务。
2020-11-08 cs.LG stat.ML
Heterogeneous Calibration: A post-hoc model-agnostic framework for improved generalization
LinkedIn Corporation(领英公司)
我们引入了异构校准的概念,该概念将事后模型不可知的转换应用于模型输出,以提高AUC在二进制分类任务上的性能。我们考虑了过度自信的模型,其在训练数据上的表现明显优于测试数据,并直观地解释了为什么它们可能没有充分利用数据中的适度有效的简单模式。我们将这些简单的模式称为特征空间的异质分区,并从理论上证明,完美地分别校准每个分区可以优化AUC。这给出了作为事后程序的异构校准的一般范例,通过该事后程序,通过基于树的算法识别特征空间的异构分区,并将事后校准技术应用于每个分区以提高AUC。虽然这个框架的理论最优性适用于任何模型,但我们专注于深度神经网络(DNN),并在各种开源数据集上测试这种范式的最简单实例。实验证明了该框架的有效性,以及未来应用更高性能的分区方案和更有效的校准技术的潜力。
2022-02-10 cs.LG stat.ML
Attack Agnostic Adversarial Defense via Visual Imperceptible Bound
IIIT-Delhi(德里印度理工学院);Texas A&M University, Kingsville(金斯维尔得克萨斯农工大学);IIT Jodhpur(焦特布尔印度理工学院)
深度学习算法对结构化和非结构化扰动的高度敏感性激发了高效对抗防御算法的开发。然而,现有的防御算法缺乏通用性和针对不同数据库的攻击算法的性能的高度可变性对防御算法的有效性提出了几个问题。在这项研究中,我们的目标是设计一个防御模型,在一定范围内对可见和不可见的对抗攻击都是鲁棒的。这个界限与图像的视觉外观有关,我们称之为\textit{Visual Imperceptible Bound (VIB)}。为了计算这个界限,我们提出了一种新的方法,使用数据库的特点。另外,还利用VIB来度量攻击算法的有效性。在MNIST,CIFAR-10和Tiny ImageNet数据库上评估了所提出的防御模型的性能,包括C\&W($l_2$)和DeepFool。该防御模型不仅能够提高对多种攻击的鲁棒性,而且能够保持或提高原始干净测试集上的分类精度。所提出的算法是攻击不可知的,即它不需要任何知识的攻击算法。
2020-10-25 cs.CR cs.CV
Model-agnostic post-hoc explainability for recommender systems
School of Civil Engineering, Universidad Politécnica de Madrid(马德里理工大学土木工程学院);School of Engineering, CUNEF University(CUNEF大学工程学院)
本研究针对推荐系统因深度学习降低可解释性的问题,提出并评估了模型无关的删除诊断方法,通过比较缺失特定数据训练的模型性能来量化影响,在NCF和SVD模型及MovieLens等数据集上验证了其通用性。
2025-09-12 cs.IR cs.LG
Rad4XCNN: a new agnostic method for post-hoc global explanation of CNN-derived features by means of radiomics
University of Palermo(巴勒莫大学);National Research Council(国家研究委员会)
本文提出 Rad4XCNN,通过放射组学为 CNN 特征赋予可理解含义,在乳腺癌超声分类中实现不牺牲精度的全局事后解释。
2025-01-08 cs.AI cs.CV cs.LG
Leveraging Post Hoc Context for Faster Learning in Bandit Settings with Applications in Robot-Assisted Feeding
University of Washington(华盛顿大学);Indian Institute of Technology Kharagpur(印度理工学院克勒格布尔分校)
自主机器人辅助喂养需要能够获得各种各样的食物。然而,这样的系统不可能在现有的所有类型的食物上进行训练。因此,一个关键的挑战是为以前看不见的食品选择操作策略。以前的工作表明,该问题可以表示为一个线性的强盗视觉上下文。然而,食物具有与操作相关的各种各样的多模态特性,这些特性可能难以在视觉上区分。我们的关键见解是,我们可以利用我们在操纵期间和之后收集的触觉上下文(即,“事后”)来学习其中的一些属性,并更快地使我们的视觉模型适应以前从未见过的食物。在一般情况下,我们提出了一个修改后的线性上下文强盗框架增加事后观察行动选择后,经验性地提高学习速度,减少累积的遗憾。在合成数据上的实验表明,当上下文的维度相对于事后上下文较大时,或者当事后上下文模型特别容易学习时,这种效果更加明显。最后,我们将此框架应用于咬收购问题,并证明收购8个以前看不见的类型的食物,在64次尝试中失败率降低了21%。
2021-03-25 cs.AI cs.LG cs.RO
Generalization of Model-Agnostic Meta-Learning Algorithms: Recurring and Unseen Tasks
Massachusetts Institute of Technology(麻省理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文研究了模型无关元学习(MAML)算法在监督学习问题中的泛化特性。我们专注于设置中,我们训练的MAML模型的$m$任务,每个$n$数据点,并从两个角度描述其泛化误差:首先,我们假设在测试时的新任务是训练任务之一,我们表明,对于强凸目标函数,预期的超额人口损失是有界的${\mathcal{O}}(1/mn)$。其次,我们认为MAML算法的泛化到一个看不见的任务,并表明所产生的泛化误差取决于总的变化之间的新任务和任务的基本分布的训练过程中观察到的距离。我们的证明技术依赖于算法的稳定性和算法的泛化界之间的联系。特别是,我们提出了一个新的定义的稳定性元学习算法,这使我们能够捕获的任务数$m$和每个任务的样本数$n$的MAML的泛化误差的作用。
2021-11-17 cs.LG math.OC stat.ML
Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility
Tsinghua University(清华大学);Weill Cornell Medicine(威尔康奈尔医学院)
二分排序,其目的是学习一个评分函数,排名积极的个人高于消极的标记数据,被广泛采用在各种应用中,需要样本优先级。最近,人们越来越关注学习的评分函数是否会导致由敏感属性定义的不同保护组之间的系统差异。虽然公平性和性能之间可能存在权衡,但在本文中,我们提出了一个与模型无关的后处理框架,用于在二分排名场景中平衡它们。具体来说,我们通过直接调整各组样本的相对排序来最大化效用和公平性的加权和。通过制定这个问题的最佳翘曲路径在不同的保护组的识别,我们提出了一个非参数的方法来搜索这样的最佳路径,通过一个动态规划过程。我们的方法是兼容的各种分类模型,并适用于各种排名公平性指标。一套基准数据集和两个真实世界的病人电子健康记录库的综合实验表明,我们的方法可以实现算法的效用和排名的公平性之间的很大的平衡。此外,我们实验验证了我们的方法的鲁棒性,当面对较少的训练样本和训练和测试之间的排名分数分布的差异。
2021-06-07 cs.LG stat.ML
Quantifying Model Complexity via Functional Decomposition for Better Post-Hoc Interpretability
LMU Munich(慕尼黑大学)
可以采用诸如部分依赖图的事后模型不可知解释方法来解释复杂的机器学习模型。尽管这些解释方法可以应用于模型的复杂性,但如果模型太复杂,特别是w.r.t.,它们可能会产生误导和冗长的结果。功能交互。为了量化任意机器学习模型的复杂性,我们提出了基于功能分解的模型不可知复杂性度量:使用的特征数量,交互强度和主效应复杂性。我们表明,事后解释的模型,最大限度地减少了三个措施是更可靠和紧凑。此外,我们展示了这些措施的应用程序中的多目标优化方法,同时最大限度地减少损失和复杂性。
2019-09-23 cs.LG stat.ML
Learning to Cooperate with Unseen Agent via Meta-Reinforcement Learning
Vidyasirimedhi Institute of Science and Technology(威迪亚西里梅迪科学技术研究所)
特设团队合作问题描述的情况下,一个代理人必须与以前看不见的代理人合作,以实现一个共同的目标。为了使代理在这些场景中取得成功,它必须具有适当的合作技能。人们可以通过使用领域知识来设计代理的行为,将合作技能实现到代理中。然而,在复杂的领域,领域知识可能是不可用的。因此,如何从数据中直接学习合作技能是值得探讨的。在这项工作中,我们应用Meta强化学习(元RL)制定的背景下,特设团队合作的问题。我们的实证结果表明,这样的方法可以产生强大的合作代理在两个合作环境不同的合作情况:社会顺应性和语言解释。(This是扩展抽象版本的全文。)
2021-11-05 cs.AI cs.LG cs.MA
AIM-DDI: A Model-Agnostic Multimodal Integration Module for Drug-Drug Interaction Prediction
Department of Artificial Intelligence, Inha University(人工智能系,Inha大学)
本文提出AIM-DDI模块,通过共享潜在空间整合多模态信息,提升药物-药物相互作用预测的鲁棒性,尤其在未见过的药物情况下表现突出。
2026-05-14 cs.AI cs.LG
TaylorPODA: A Taylor Expansion-Based Method to Improve Post-Hoc Attributions for Opaque Models
研究针对不透明模型事后归因方法缺乏普遍标准的问题,提出基于泰勒展开框架的TaylorPODA方法,通过引入假设、分析矛盾、设计可控分配机制等,使其既满足假设又适应下游目标,提升了归因与用户定义效用的对齐及解释的可交流性。
2026-07-29 cs.AI cs.LG stat.ML
Classifier Calibration at Scale: An Empirical Study of Model-Agnostic Post-Hoc Methods
University of Oslo(奥斯陆大学)
本研究评估了多种模型无关后验校准方法在二分类任务中的表现,发现文恩-阿伯斯预测器在降低对数损失方面表现最佳,而Platt缩放效果较弱,同时指出某些常用校准方法可能对现代模型产生负面影响。
2026-01-19 cs.LG stat.AP stat.ML
DapPep: Domain Adaptive Peptide-agnostic Learning for Universal T-cell Receptor-antigen Binding Affinity Prediction
Zhejiang University(浙江大学);Westlake University(西湖大学);Fudan University(复旦大学)
针对现有方法难以处理新型或稀疏抗原的问题,提出域自适应肽无关学习框架DapPep,结合预训练蛋白语言模型与内环自监督机制,在多基准上优于现有工具,泛化能力强,且在临床任务中有效。
2024-11-26 cs.AI cs.LG q-bio.QM
A Model-Agnostic Physics-Guided Adapter for Few-Shot Transfer of Coastal Flood Prediction Models to Unseen Regions
New York University Abu Dhabi(纽约大学阿布扎比分校)
提出一种模型无关的物理引导适配器(PA),通过可微分的湿/干响应利用高程作为归纳偏置,实现沿海洪水预测模型向未见区域的高效小样本迁移,显著降低误差。
2026-09-30 cs.LG
CROSS-Net: Region-Agnostic Taxi-Demand Prediction Using Feature Disentanglement
IEEE
CROSS-Net通过多视图图神经网络捕捉时空依赖性,结合变分自编码器解耦特征,实现跨区域出租车需求预测,提升城市交通效率。
2026-04-07 cs.LG
Informative Perturbation Selection for Uncertainty-Aware Post-hoc Explanations
Ïndraprastha Institute of Information Technology Delhi(印度理工学院德里)
本文提出EAGLE框架,通过信息论主动学习问题选择扰动,提升模型可解释性,实验证明其在可解释性和扰动质量上优于现有方法。
2026-08-18 cs.AI cs.LG stat.ML
Post Hoc Regression Refinement via Pairwise Rankings
MPI-INF(马克斯·普朗克研究所信息部门);MIT(麻省理工学院)
针对数据稀缺场景下深度学习回归器精度下降的问题,提出即插即用的事后精修方法RankRefine,结合基础回归输出与成对排序估计,无需重训练即可在分子属性预测等任务中有效降低误差,适用性广泛。
2025-10-01 cs.AI cs.LG
Multi-Depth Concept Extraction for Post-Hoc Vision Encoder Explanation
University of Copenhagen(哥本哈根大学);Technical University of Denmark(丹麦技术大学);Linköping University(利乌波堡大学)
提出NAVE方法,通过聚类编码器多深度特征激活生成可解释分割图,无需微调或架构修改,定量证明其概念与输入语义对齐并可用于下游任务。
2026-06-23 cs.CV cs.LG
MAML-en-LLM: Model Agnostic Meta-Training of LLMs for Improved In-Context Learning
University of Virginia(弗吉尼亚大学);Amazon Alexa(亚马逊 Alexa)
本文提出 MAML-en-LLM 元训练方法,通过学习真正可泛化的参数增强 LLM 的上下文学习与未见任务适应能力,并在多种任务和数据设置下优于现有 SOTA 方法。
2024-05-19 cs.CL cs.LG
Post-hoc Interpretability for Neural NLP: A Survey
École Polytechnique de Montréal(蒙特利尔综合理工学院);Mila(米拉研究所);McGill University(麦吉尔大学);Facebook(脸书)
本文综述了神经自然语言处理中的事后可解释性方法,系统分类其解释方式、深入分析各类方法并讨论验证问题,以促进模型的安全、伦理与问责。
2023-11-28 cs.CL cs.LG cs.NE
Model-Agnostic Learning to Meta-Learn
EPFL(洛桑联邦理工学院);IIT Kanpur(印度理工学院坎普尔分校)
在本文中,我们提出了一种学习算法,使模型能够快速利用相关任务之间的共性,从一个看不见的任务分布,然后快速适应特定的任务,从相同的分布。我们研究了不同任务分布的学习如何首先通过对相关任务进行元微调来提高适应性,然后再通过微调来提高目标任务的泛化能力。合成回归实验验证了学习元学习提高适应性和连续泛化的直觉。在更复杂的图像分类、连续回归和强化学习任务上的实验表明,学习元学习通常会提高特定于任务的适应性。在进行结论性实验之前,同行评审对本建议中的方法、设置和假设进行了积极评价。
2021-07-19 cs.AI cs.LG stat.ML
SAGE: Retain-Aware Post-Hoc Sanitization of Final Unlearning Vector
Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University(上海交通大学图像处理与模式识别研究所)
提出SAGE方法,通过事后净化最终更新向量,在不重新运行原始遗忘流程的情况下,缓解大语言模型遗忘与保留能力之间的权衡。
2026-06-18 cs.AI cs.LG
Learning to Evaluate: Cost-Effective Model Evaluation on Unlabeled Data with Meta-Learning
Griffith University(格里菲斯大学);Edith Cowan University(埃迪斯科文大学);The University of Queensland(昆士兰大学)
提出MetaEvaluator,一种基于元学习的模型无关框架,通过参考模型池实现无标签数据上的快速、准确且成本效益高的新模型评估。
2026-06-06 cs.AI cs.CV cs.ET
MA 3 : Model Agnostic Adversarial Augmentation for Few Shot learning
Carnegie Mellon University(卡内基梅隆大学)
尽管最近在使用深度神经网络的视觉相关问题方面取得了进展,但将这些模型推广到看不见的例子的改进仍然有很大的范围。在本文中,我们探讨了领域的少样本学习与一种新的增强技术。与其他生成增强技术相比,在学习输入图像的分布的情况下,我们建议学习图像变换参数的概率分布,这更容易和更快地学习。我们的技术是完全可微的,这使得它能够扩展到多功能的数据集和基础模型。我们在多个基础网络和2个数据集上评估我们提出的方法,以建立该方法的鲁棒性和效率。通过添加增强模块,我们获得了近4%的改进,而无需对网络架构进行任何更改。我们还将代码随时提供给社区使用。
2020-04-10 cs.CV cs.LG
Domain Generalizer: A Few-shot Meta Learning Framework for Domain Generalization in Medical Imaging
University of Pennsylvania(宾夕法尼亚大学)
深度学习模型在目标(测试)数据域上测试时表现最佳,其分布与源(训练)域的集合相似。然而,当目标域和源域之间的基础统计数据存在显著差异时,模型泛化可能会受到阻碍。在这项工作中,我们适应一个领域泛化方法的基础上,模型不可知的元学习框架,生物医学成像。该方法学习一个领域不可知的特征表示,以提高模型的泛化到看不见的测试分布。该方法可用于任何成像任务,因为它不依赖于底层模型架构。我们通过三个数据集上的健康和病理病例的计算机断层扫描(CT)椎骨分割任务来验证该方法。接下来,我们采用少样本学习,即使用来自未知领域的非常少的示例来训练广义模型,以快速使模型适应新的未知数据分布。我们的研究结果表明,该方法可以帮助在不同的医疗中心,图像采集协议,解剖结构,给定扫描中的不同区域,不同成像模式的健康和患病人群中推广模型。
2020-08-18 cs.CV cs.LG eess.IV
Are We Merely Justifying Results ex Post Facto? Quantifying Explanatory Inversion in Post-Hoc Model Explanations
Arizona State University(亚利桑那州立大学);University of Virginia(弗吉尼亚大学);Michigan State University(密歇根州立大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
针对事后模型解释是否存在解释倒置(从输出合理化预测而非反映真实决策过程)的问题,提出IQ框架量化倒置程度,发现LIME、SHAP等方法易出现倒置,进而提出RBP增强方法,理论上可缓解倒置且在合成数据上平均降低1.8%。
2025-04-11 cs.AI cs.LG
Post-hoc loss-calibration for Bayesian neural networks
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);IBM Research(IBM研究院)
贝叶斯决策理论提供了一个优雅的框架下采取最佳行动的不确定性时,易于处理的后验分布。然而,现代贝叶斯模型通常涉及难以处理的后验,这些后验是用可能是粗糙的替代品近似的。这种困难产生了损失校准技术,旨在学习有利于高效用决策的后验近似。在本文中,专注于贝叶斯神经网络,我们开发的方法来纠正近似后验预测分布,鼓励他们喜欢高效用的决定。与以前的工作相比,我们的方法是不可知的近似推理算法的选择,允许有效的测试时间决策,通过摊销,并根据经验产生更高质量的决策。我们通过跨越各种任务和数据集的对照实验证明了我们方法的有效性。
2021-06-13 cs.LG stat.ML
SplatPose & Detect: Pose-Agnostic 3D Anomaly Detection
Leibniz University Hannover(莱布尼茨汉诺威大学);Institute for Information Processing(信息处理研究所)
针对不同姿态3D物体异常检测中NeRF计算开销过大的问题,提出基于3D Gaussian splatting的SplatPose框架,以可微方式估计未见视图姿态并检测异常,在更少训练数据下实现速度与检测性能的先进水平。
2024-04-10 cs.CV cs.LG
Past, Future, All at Once: Mitigating Stability-Plasticity Dilemma via Post-hoc JANUS Rectification
Tsinghua University(清华大学);DiDi Autonomous Driving(滴滴自动驾驶)
提出事后JANUS修正框架,通过参数空间正交性投影恢复历史知识,结合多步自适应机制,缓解微调中的稳定性-可塑性困境。
2026-10-30 cs.AI cs.LG
Explanations Go Linear: Post-hoc Explainability for Tabular Data with Interpretable Meta-Encoding
University of Pisa(比萨大学);ISTI-CNR(意大利国家研究委员会ISTI研究所);Scuola Normale Superiore - Pisa, Italy(比萨大学正常学院 - 意大利)
本文提出ILLUME框架,结合全局训练的替代模型与实例特定的线性变换,生成准确且高效的局部和全局解释,解决传统替代方法的局限性。
2026-03-18 cs.LG
Post-Hoc Robustness Enhancement in Graph Neural Networks with Conditional Random Fields
École Polytechnique(巴黎综合理工学院);IP Paris(巴黎理工学院);KTH(瑞典皇家理工学院);Université Paris-Saclay(巴黎萨克雷大学);CentraleSupélec(中央理工-高等电力学院);Inria(法国国家信息与自动化研究所)
针对GNN推理阶段鲁棒性不足的问题,提出模型无关的事后方法RobustCRF,基于条件随机场增强鲁棒性,并在基准数据集上验证有效性。
2024-11-08 cs.LG cs.SI stat.AP
Evaluating the Effectiveness of Attack-Agnostic Features for Morphing Attack Detection
Idiap Research Institute(Idiap研究所);Université de Lausanne(洛桑大学)
本文研究了仅在真实数据上预训练的大型视觉模型提取的与攻击无关的特征在变形攻击检测中的有效性,通过SVM和GMM构建检测器,在多数场景下优于传统方法。
2024-10-22 cs.CV cs.LG eess.IV
Task-Agnostic Online Reinforcement Learning with an Infinite Mixture of Gaussian Processes
Carnegie Mellon University(卡内基梅隆大学)
在元学习和持续学习中,人们广泛地追求通过有限的经验来不断学习解决看不见的任务,但是这些学习具有有限的假设,例如可访问的任务分布、独立和相同分布的任务以及清晰的任务描述。然而,现实世界的物理任务经常违反这些假设,导致性能下降。本文提出了一种连续在线的基于基于模型的强化学习方法,该方法不需要预先训练来解决任务边界未知的任务不可知问题。我们维护一个混合专家模型来处理非平稳性,并用高斯过程来表示每种不同类型的动态,以有效地利用收集的数据和表达模型的不确定性。我们提出了一个过渡之前,占流数据的时间依赖性和更新的混合物在线通过顺序变分推理。我们的方法可靠地处理任务分布偏移生成新的模型,以前从未见过的动态和重用旧模型。在实验中,我们的方法在非平稳任务中优于其他方法,包括在不同驾驶场景中动态变化和决策的经典控制。
2020-11-30 cs.AI cs.LG cs.RO
TATA: Stance Detection via Topic-Agnostic and Topic-Aware Embeddings
Stanford University(斯坦福大学)
提出TATA模型,利用对比学习和未标注新闻数据训练主题无关与主题感知嵌入,结合二者在多个立场检测数据集上达到最先进性能,Zero-shot VAST上F1为0.771。
2024-02-08 cs.CL cs.CY cs.LG
Robust MAML: Prioritization task buffer with adaptive learning process for model-agnostic meta-learning
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
模型不可知元学习(MAML)是一种流行的最先进的元学习算法,其在给定各种学习任务的情况下提供模型的良好权重初始化。通过提供的权重初始化的模型可以被微调到一个看不见的任务,尽管只使用少量的样本和几个自适应步骤。MAML是简单和通用的,但需要昂贵的学习率调整和仔细设计的任务分布,影响其可扩展性和推广。为了提高训练过程的可扩展性和缓解分布失配问题,提出了一种基于自适应学习机制和优先任务缓冲区(PTB)的鲁棒MAML(RMAML). RMAML使用基于梯度的超参数优化来自动找到最佳学习率,并使用PTB在训练过程中逐渐将训练任务分布调整为测试任务分布。在Meta强化学习环境下的实验结果表明,该方法具有显著的性能增益,对超参数选择不敏感,对分布失配具有鲁棒性。
2021-06-10 cs.AI cs.LG cs.SY
Improving Time Series Forecasting via Instance-aware Post-hoc Revision
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(认知智能国家重点实验室,中国科学技术大学)
本文提出PIR框架,通过后处理修正提升时间序列预测的实例可靠性。
2025-12-15 cs.LG
Fixed-Mean Gaussian Processes for Post-hoc Bayesian Deep Learning
Universidad Autónoma de Madrid, Spain(西班牙自治大学);Aalborg University, Copenhagen(哥本哈根大学);Universidad Pontificia de Comillas, Spain(Pontificia大学, Spain)
提出固定均值高斯过程(FMGP),通过将后验均值固定为预训练DNN的输出,利用变分推断高效估计预测方差,实现架构无关的事后不确定性量化。
2026-06-01 cs.LG stat.ML
Post-hoc labeling of arbitrary EEG recordings for data-efficient evaluation of neural decoding methods
University of Freiburg(弗赖堡大学)
许多认知、感觉和运动过程都与振荡神经源相关,这些振荡神经源作为子空间嵌入到记录的大脑信号中。从嘈杂的脑磁图/脑电图(M/EEG)信号解码这样的过程通常需要使用数据驱动的分析方法。然而,对实验原始信号的这种解码算法的客观评估是一个挑战:可用的M/EEG数据的量通常是有限的,标签可能是不可靠的,并且原始信号经常被伪影污染。后者是特别有问题的,如果文物源于感兴趣的振荡神经过程的行为混乱。为了克服这些问题中的一些,已经引入了模拟框架来对解码方法进行基准测试。然而,在生成人工大脑信号时,大多数模拟框架对大脑活动做出了强烈且部分不切实际的假设,这限制了将所获得的结果推广到现实世界条件。在目前的贡献中,我们努力消除当前仿真框架的许多缺点,并提出了一种通用的替代方案,该方案允许对神经信号的新型数据驱动解码方法进行客观评估和基准测试。其中心思想是利用任意M/EEG记录的事后标记。这种策略使其与范式无关,并允许生成具有无噪声标签的相对较大的数据集。新的模拟方法的源代码和数据,以促进其通过。
2017-11-22 cs.LG stat.AP stat.ML
MADOD: Generalizing OOD Detection to Unseen Domains via G-Invariance Meta-Learning
The University of Texas at Dallas(德克萨斯大学达拉斯分校);Baylor University(贝勒大学)
MADOD提出一种基于元学习和G-不变性的框架,通过构造伪OOD任务和能量正则化,同时应对协变量与语义偏移,在未见领域实现高效OOD检测,AUPR提升8.48%-20.81%。
2024-11-02 cs.LG stat.ML