Identification of Hypokinetic Dysarthria Using Acoustic Analysis of Poem Recitation
Brno University of Technology(布尔诺理工大学);Masaryk University(马萨里克大学);St. Anne’s University Hospital(圣安妮大学医院);Central European Institute of Technology(中欧理工学院);Escola Superior Politecnica, Tecnocampus(高等理工学院(科技园区));University of Las Palmas de Gran Canaria(大加那利岛拉斯帕尔马斯大学)
高达90%的帕金森病(PD)患者患有运动减退性构音障碍(HD)。在这项工作中,我们分析了传统的语音功能量化不精确的清晰度,韵律障碍,语音不流畅和语音质量恶化提取一个专门的诗歌朗诵任务,以区分构音障碍和健康的讲话。为此目的,152扬声器(53健康扬声器,99 PD患者)进行了检查。只有轻微的语音功能和扬声器的临床状态之间的强相关性进行了观察。在单变量分类分析的情况下,达到的灵敏度为62.63%(发音不精确),61.62%(韵律障碍),71.72%(言语不流利)和59.60%(言语质量恶化)。多元分类分析提高了分类性能。仅使用两个描述HD中不精确清晰度和语音质量恶化的特征实现了83.42%的灵敏度。我们展示了所选语音特征的潜力,特别是使用诗歌背诵任务来量化和识别PD中的HD。
2022-03-18 cs.LG cs.SD eess.AS
Robust Inference of Trees
本文研究了未知分布生成数据的依赖结构的最优树逼近的可靠性推断问题。传统的处理方法是用互信息来度量随机变量之间的依赖强度。本文的可靠性是通过瓦利的不精确狄利克雷模型,它概括了贝叶斯学习与狄利克雷先验。采用不精确的Dirichlet模型的结果在后验区间期望的互信息,并在一组合理的树与数据一致。可靠的推理,实现了对实际树的子结构,重点是共同的所有似是而非的树。我们开发了一个精确的算法,在时间O(m^4)推断子结构,m是随机变量的数量。新算法被应用到一组从已知分布中采样的数据。该方法被证明是可靠的推断边缘的实际树,即使数据是非常稀缺的,不同于传统的方法。最后,在不精确Dirichlet模型下,给出了互信息的可信度上下限.这些使以前的发展被扩展到一个完整的推理方法的树木。
2005-11-25 cs.AI cs.IT cs.LG
Robustness quantification: a new method for assessing the reliability of the predictions of a classifier
Ghent University(根特大学)
本文提出鲁棒性量化方法,基于不精确概率评估生成式概率分类器单个预测的可靠性,并在小样本及分布偏移条件下验证其有效性。
2025-04-10 cs.LG math.PR
How Much Imprecision is Enough Imprecision in my Classifier? A Practical Elicitation Procedure
IMT Mines Alès(阿莱斯矿业学院)
本文提出实用引导程序,衡量用户对集合值分类器可接受的不精确程度,通过迭代方法在表格和图像数据集上验证其收敛性和实用性。
2026-09-29 cs.LG
Robust Classification of Graph-Based Data
Universidad Autónoma de Madrid(马德里自治大学);KU Leuven(鲁汶大学)
提出了一种基于图的分类方法,用于欧几里德数据情况下的半监督学习和图数据情况下的分类。我们的流形学习技术是基于一个凸优化问题,涉及一个凸二次正则化项和凹二次损失函数与权衡参数精心选择,使目标函数保持凸。如经验所示,考虑凹损失函数的优点在于,在存在噪声标签的情况下,学习问题变得更加鲁棒。此外,这里考虑的损失函数更类似于分类损失,而其他几种方法将基于图的分类问题视为回归问题。
2019-01-28 cs.LG
Fast discovery of multidimensional subsequences for robust trajectory classification
Federal University of Santa Catarina(圣卡塔琳娜联邦大学)
随着每天生成大量移动数据,并通过新的信息源(如社交网络和物联网传感器)进行丰富,轨迹分类任务变得更加复杂。快速分类算法对于在实际应用中发现轨迹数据中的知识是必不可少的。在这项工作中,我们提出了一种方法,用于快速发现的子轨迹减少的搜索空间和优化的MASTERFovelets方法,这已被证明是有效的发现可解释的模式分类问题。
2021-02-09 cs.LG
Robust-GBDT: GBDT with Nonconvex Loss for Tabular Classification in the Presence of Label Noise and Class Imbalance
Data Science Research Center, Duke Kunshan University(昆山杜克大学数据科学研究中心)
Robust-GBDT将梯度提升决策树与非凸损失函数结合,并引入鲁棒焦点损失,以应对表格分类中的标签噪声和类别不平衡,显著提升泛化能力并确立新标准。
2024-03-16 cs.LG
Robust Statistical Comparison of Random Variables with Locally Varying Scale of Measurement
Ludwig-Maximilians-Universität Munich(慕尼黑大学)
本文针对局部变化测量尺度空间中随机变量的信息利用问题,提出广义随机占优序,并构建经线性优化实现、由不精确概率稳健化的正则化统计检验。
2024-03-04 cs.LG math.ST stat.ML
A Novel Hybrid Ordinal Learning Model with Health Care Application
Georgia Institute of Technology(佐治亚理工学院);Banner Alzheimer's Institute(班纳阿尔茨海默病研究所);MS Technologies
针对医疗数据中精确标记样本有限、区间不精确标记样本充足的问题,提出混合有序学习器HOL及高效优化算法,在基准和真实阿尔茨海默病进展预测任务中性能优于现有方法,可助力个体化干预策略制定。
2023-12-15 cs.LG math.OC
Robust Classification using Robust Feature Augmentation
University of Michigan, Ann Arbor(密歇根大学安娜堡分校);Georgia Institute of Technology(佐治亚理工学院);Stony Brook University(石溪大学)
现有的深度神经网络,比如用于图像分类的深度神经网络,已经被证明容易受到对抗性图像的攻击,这些图像可能会导致DNN错误分类,而不会对图像产生任何可感知的变化。在这项工作中,我们提出了冲击吸收鲁棒特征,如二值化,例如,舍入和组提取,例如,颜色或形状,以增强分类管道,从而产生更强大的分类器。实验表明,使用这些技术增强ML模型可以提高对抗性输入的整体鲁棒性,并显着改善训练时间。在MNIST数据集上,我们实现了14倍的训练时间加速,获得了90%的对抗准确率,与Madry等人的最先进的对抗训练方法相比,并在更广泛的攻击范围内保持更高的对抗准确性。我们还发现鲁棒性改进交通标志分类使用强大的功能增强。最后,我们给出了理论上的见解,为什么人们可以期望鲁棒的特征增强来减少对抗性输入空间
2019-09-18 cs.LG stat.ML
Generative Robust Classification
University of Virginia(弗吉尼亚大学)
训练对抗性强的判别(即,softmax)分类器已经成为鲁棒分类的主要方法。基于最近在基于对抗训练(AT)的生成模型方面的工作,我们研究了使用AT来学习非规范化的类条件密度模型,然后执行生成鲁棒分类。结果表明,在模型容量相近的情况下,当测试数据干净或测试扰动大小有限时,生成式鲁棒分类器的性能与基线softmax鲁棒分类器相当,而当测试扰动大小超过训练扰动大小时,生成式鲁棒分类器的性能要优于基线softmax鲁棒分类器.生成分类器还能够生成更接近于训练数据的样本或反事实,这表明生成分类器可以更好地捕获类条件分布。与标准的判别对抗训练相比,高级数据增强技术只有在与权重平均相结合时才有效,我们发现应用高级数据增强来实现更好的鲁棒性是很简单的。我们的研究结果表明,生成分类器是一个有竞争力的替代强大的分类,特别是对有限数量的类的问题。
2022-12-14 cs.CV cs.LG
Sparse Robust Classification via the Kernel Mean
Decisions 360;Google Research, NY(谷歌研究纽约分部);University of Tübingen(图宾根大学)
本文提出让核评估的权重相等以简化分类规则,探讨了该核均值分类规则的一致性、鲁棒性和稀疏化。
2025-10-13 cs.LG stat.ML
Reinforcement Learning for Pivoting Task
KTH Royal Institute of Technology(瑞典皇家理工学院)
在这项工作中,我们提出了一种方法来学习一个强大的政策,解决旋转任务。最近,一些无模型连续控制算法被证明可以在没有任务动态的先验知识的情况下学习成功的策略。然而,获得成功的策略需要数千到数百万的训练集,限制了这些方法对实际硬件的适用性。我们开发了一个训练程序,允许我们使用一个简单的自定义模拟器来学习对模拟与机器人不匹配的鲁棒策略。在我们的实验中,我们证明了在模拟器中学习的策略能够将对象旋转到真实机器人上所需的目标角度。我们还展示了对具有不同惯性,形状,质量和摩擦特性的对象的泛化,而不是在训练过程中使用的对象。这一结果是使无模型强化学习可用于解决机器人任务的一个步骤,通过在模拟器中进行预训练,只提供与现实世界动态的不精确匹配。
2017-03-01 cs.LG cs.RO
Robust Object Classification Approach using Spherical Harmonics
RMIT University(皇家墨尔本理工大学);University College London(伦敦大学学院)
在本文中,我们提出了一个强大的球谐函数的点云为基础的对象的分类方法。球谐函数多年来一直用于分类,文献中存在几个框架。这些方法使用各种基于球谐函数的描述符来对对象进行分类。我们首先研究了这些框架对数据增强的鲁棒性,如离群值和噪声,因为以前没有研究过。然后,我们提出了一个球形卷积神经网络框架的鲁棒目标分类。该框架使用同心球的体素网格来学习单位球上的特征。由于所选择的采样策略和设计的卷积操作,我们提出的模型学习对数据增强不太敏感的特征。我们测试了我们提出的模型对几种类型的数据增强,如噪声和离群值。我们的研究结果表明,该模型优于最先进的网络在鲁棒性方面的数据增强。
2020-09-02 cs.CV cs.LG
Robust Classification using Hidden Markov Models and Mixtures of Normalizing Flows
KTH Royal Institute of Technology(KTH皇家理工学院)
我们测试的鲁棒性的最大似然(ML)为基础的分类,连续的数据作为观察被噪声破坏。假设是,生成模型,结合隐马尔可夫模型(HMM)的状态转换和神经网络的隐状态的概率分布的HMM,可以提供一个强大的分类性能。该模型被称为基于归一化流混合模型的隐马尔可夫模型(NMM-HMM)。它可以使用期望最大化(EM)和反向传播的组合进行训练。我们在语音识别的应用中验证了改进的NMM-HMM分类器的鲁棒性。
2021-02-15 cs.LG eess.SP
A Unified Robust Classification Model
Keio University(庆应义塾大学);Nagoya University(名古屋大学)
对于二进制分类,存在各种各样的机器学习算法,诸如支持向量机(SVM)、极小极大概率机(MPM)和Fisher判别分析(FDA)。本文的目的是提供一个统一的分类模型,包括上述模型,通过一个强大的优化方法。这种统一的模式有几个好处。一个是SVM的扩展和改进适用于MPM和FDA,反之亦然。另一个好处是通过处理统一的模型,一次性地为上述学习方法提供理论结果。我们给出了统一分类模型的统计解释,并提出了一个非凸优化算法,可应用于现有的学习方法的非凸变量。
2012-06-18 cs.LG stat.ML
Distributional Loss for Robust Classification
Institute for Neuro- and Bioinformatics(神经与生物信息学研究所)
提出一种基于双峰高斯分布的分布损失概念,通过软化目标隐式捕捉类别模糊性,缓解过拟合,提升决策边界鲁棒性,尤其在低数据场景下效果显著。
2026-06-12 cs.CV cs.LG
Computational Limitations in Robust Classification and Win-Win Results
我们继续研究学习鲁棒分类器中的统计/计算权衡,遵循Bubeck,Lee,Price和Razenshteyn最近的工作,他们展示了分类任务的例子,其中(a)在小扰动状态下存在有效的鲁棒分类器;(b)可以有效地学习非鲁棒分类器;但是(c)在计算上很难学习鲁棒的分类器,假设很难分解大的数字。是否存在一个强大的分类器,他们的任务在大扰动制度的问题似乎与重要的开放问题,在计算数论。在这项工作中,我们在三个方向上扩展了他们的工作。首先,我们展示了计算高效的鲁棒分类是不可能的分类任务,即使存在计算无界的鲁棒分类器。为此,我们依赖于平均情况硬函数的存在性。其次,我们展示了在大扰动状态下难以鲁棒学习的分类任务。也就是说,我们表明,即使存在一个有效的分类器,是强大的大扰动,它是很难计算学习任何非平凡的强大的分类器。我们的第一个构造依赖于单向函数的存在,第二个构造依赖于学习奇偶性与噪声问题的难度。在后一种设置中,不仅存在非鲁棒分类器,而且存在一种有效的算法,该算法在获得多项式多个训练样本的情况下生成新鲜的新标记样本(被Kearns et.(1994))。第三,我们表明,任何这样的反例意味着存在的密码原语,如单向函数。这将我们引向一个双赢的场景:要么我们可以学习一个高效的鲁棒分类器,要么我们可以构建新的加密原语实例。
2019-06-05 cs.LG stat.ML
Non-Robust Features are Not Always Useful in One-Class Classification
Georgia Tech(佐治亚理工学院);Technology Innovation Institute(技术创新研究院)
该研究针对单类分类实际应用中轻量级模型的对抗样本威胁展开,发现轻量级单类分类器在强攻击下学习的非鲁棒特征并非始终对任务有用,这类特征是训练的不良副产品。
2024-07-08 cs.CV cs.LG
An Online Stochastic Kernel Machine for Robust Signal Classification
U.S. Naval Research Laboratory(美国海军研究实验室)
我们提出了一种新的变化的在线内核机,其中我们利用基于共识的优化机制,以指导决策函数的演变从再生核希尔伯特空间,有效地模拟所观察到的平稳过程。
2019-12-16 cs.LG eess.SP stat.ML
A Robust Signal Classification Scheme for Cognitive Radio
本文提出了一种鲁棒的信号分类方案,实现多个共存的无线系统的综合频谱感知。它是建立在一组基于特征的信号检测算法增强的建议尺寸消除(DIC)的方法,以减轻噪声的不确定性问题。我们的测试平台上实现的分类方案,包括现实世界的无线设备。仿真结果与实验结果吻合较好,表明了该方案的有效性和鲁棒性。
2012-07-23 cs.IT cs.LG cs.NI
An Empirical Evaluation of Four Algorithms for Multi-Class Classification: Mart, ABC-Mart, Robust LogitBoost, and ABC-LogitBoost
Cornell University(康奈尔大学)
本实证研究主要致力于比较四种基于树的boosting算法:mart,abc-mart,robust logitboost和abc-logitboost,在各种公开数据集上进行多类分类。其中一些数据集已经在之前的研究中使用广泛的分类算法进行了彻底的测试,包括SVM,神经网络和深度学习。在经验分类误差方面,我们的实验结果表明:1。abc-马特大大提高马特。2. abc-logitboost大大提高了(鲁棒)logitboost。3. robust)logitboost}大大提高了大多数数据集上的mart。4. abc-logitboost在大多数数据集上大大改进了abc-mart。5.这四种boosting算法(特别是abc-logitboost)在许多数据集上的性能优于SVM。6.与最好的深度学习方法相比,这四种boosting算法(尤其是abc-logitboost)具有竞争力。
2010-01-07 cs.AI cs.CV cs.LG
Adversarial Classification via Distributional Robustness with Wasserstein Ambiguity
The University of Sydney(悉尼大学);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
我们研究了一个基于分布鲁棒机会约束的对抗分类模型。我们表明,在Wasserstein歧义下,该模型的目标是最小化错误分类距离的条件风险值,我们探索了与早期提出的对抗性分类模型和最大边缘分类器的联系。我们还提供了一个重新制定的分布鲁棒模型的线性分类,并表明它是等价于最小化正则化斜坡损失的目标。数值实验表明,尽管这个公式的非凸性,标准下降方法似乎收敛到这个问题的全局极小值。受此观察的启发,我们表明,对于某一类分布,正则化斜坡损失最小化问题的唯一稳定点是全局最小值。
2021-11-04 cs.LG math.OC stat.ML
Understanding Robustness of Transformers for Image Classification
Google Research(谷歌研究院)
深度卷积神经网络(CNN)长期以来一直是计算机视觉任务的首选架构。最近,像视觉Transformer(ViT)这样基于Transformer的架构已经在图像分类方面与ResNets相匹配,甚至超过了ResNets。然而,Transformer体系结构的细节--比如使用非重叠补丁--让人怀疑这些网络是否同样健壮。在本文中,我们对ViT模型鲁棒性的各种不同度量进行了广泛的研究,并将研究结果与ResNet基线进行了比较。我们调查的鲁棒性输入扰动以及模型扰动的鲁棒性。我们发现,当用足够多的数据进行预训练时,ViT模型在广泛的扰动下至少与ResNet模型一样鲁棒。我们还发现,Transformers是强大的删除几乎任何单一的层,虽然从后面的层激活是高度相关的彼此,他们仍然发挥了重要作用的分类。
2021-10-08 cs.AI cs.CV cs.LG
Doubly Robust Counterfactual Classification
Harvard Medical School(哈佛医学院);Carnegie Mellon University(卡内基梅隆大学);Harvard University(哈佛大学)
我们研究反事实分类作为一种新的工具,在假设(与事实相反)的情况下进行决策。我们提出了一个双重鲁棒的非参数估计一般的反事实分类器,在那里我们可以通过铸造的分类问题作为一个非线性的数学规划,涉及反事实,将灵活的约束。我们继续分析估计的收敛速度,并提供了一个封闭形式的表达其渐近分布。我们的分析表明,所提出的估计是强大的滋扰模型误指定,并可以达到快速的$\sqrt{n}$率与易处理的推理,即使使用非参数机器学习方法。我们通过模拟研究我们的方法的实证性能,并将其应用于累犯风险预测。
2023-01-15 cs.LG stat.ME stat.ML
Robustly Leveraging Prior Knowledge in Text Classification
Tsinghua University(清华大学)
先验知识已经被证明是非常有用的,以解决许多自然语言处理任务。已经提出了许多方法来形式化各种知识,然而,所提出的方法是否是强大的或敏感的知识提供给模型很少讨论。在本文中,我们提出了三个正则化项上的广义期望标准,并进行了广泛的实验,以证明所提出的方法的鲁棒性。实验结果表明,我们提出的方法取得了显着的改善,比基线更强大。
2015-03-03 cs.AI cs.CL cs.IR
Robust-by-Design Classification via Unitary-Gradient Neural Networks
Scuola Superiore Sant’Anna(圣安娜高等研究院)
由于存在对抗攻击,在安全关键系统中使用神经网络需要安全和鲁棒的模型。知道任何输入x的最小对抗扰动,或者等价地,知道x与分类边界的距离,允许评估分类鲁棒性,提供可验证的预测。不幸的是,用于计算这种距离的现有技术在计算上是昂贵的,因此不适合在线应用。这项工作提出了一种新的分类器家族,即符号距离分类器(SDC),从理论角度来看,直接输出x与分类边界的精确距离,而不是概率得分(例如,SoftMax)。SDC代表了一系列鲁棒设计分类器。为了实际解决SDC的理论要求,提出了一种新的网络结构,称为酉梯度神经网络。实验结果表明,所提出的架构近似于一个有符号的距离分类器,因此允许一个在线的可证明的分类x的成本一个单一的推理。
2022-09-09 cs.AI cs.LG math.DG
Robust Adversarial Classification via Abstaining
University of California, Riverside(加州大学河滨分校);Indian Institute of Science(印度科学研究所)
在这项工作中,我们考虑了一个二元分类问题,并将其转换为一个二元假设检验框架,其中的观测可以被对手干扰。为了提高分类器的对抗鲁棒性,我们包含了一个弃权选项,当分类器对预测的置信度较低时,它会放弃做出决定。我们提出的指标,量化的标称性能的分类与弃权选项和对抗性扰动的鲁棒性。我们发现,无论使用什么方法来选择弃权区域,这两个指标之间存在一个权衡。我们的研究结果意味着,一个有弃权选项的分类器的鲁棒性只能以牺牲其标称性能为代价来提高。此外,我们提供了必要的条件,设计弃权区域的一维二元分类问题。我们验证了我们的理论结果的MNIST数据集,在那里我们数值表明,性能和鲁棒性之间的权衡也存在一般的多类分类问题。
2021-09-30 cs.LG cs.SY eess.SY
Bioinspired random projections for robust, sparse classification
ETH Zurich(苏黎世联邦理工学院);Imperial College London(帝国理工学院)
受生物传感系统中随机投影的启发,我们提出了一种新的分类问题数据处理算法。这是基于对人类大脑和果蝇嗅觉系统的观察,并涉及在应用帽操作以截断较小条目之前将数据随机投影到大大增加维度的空间中。这导致了一个简单的算法,这是非常有效的计算,并可以用于要么给出一个稀疏表示与最小的损失在分类精度或提供改进的鲁棒性,在这个意义上,分类精度提高时,噪声被添加到数据。这是证明与数值实验,补充理论结果表明,所得到的信号变换是连续的和可逆的,在适当的意义上。
2022-07-27 cs.LG eess.SP q-bio.NC