本研究提出了一种名为多用途鲁棒标签偏移(VRLS)的方法,旨在解决多节点分布式学习中的标签偏移问题。通过夏农熵正则化,VRLS显著提升了模型性能,并在多个数据集上超越了基准,展示了其实际应用潜力。
本研究提出了对齐分布混合概念,以解决源标签与目标标签分布不匹配的问题,并开发了创新的标签偏移框架,验证了其在COVID-19诊断中的有效性。
本文研究了大型语言模型(LLMs)在上下文学习中的标签偏移现象,提出了一种生成校准方法,显著提升了文本分类性能。研究表明,黄金标签对上下文性能影响显著,而不平衡标签的影响较小。通过元上下文学习,LLMs能够适应性地调整学习策略,展现出与传统学习算法相当的性能。此外,研究还探讨了上下文学习中的预测不确定性,并提出了新的量化方法。
该论文探讨了个性化联邦学习(FL)策略,提出了一种通过元网络生成定制策略的框架,实验证明其在标签和特征偏移情况下优于传统方法。同时,研究了多种个性化框架,如PerFed-CKT、FedPCL和pFedBreD,显示出在异构数据和通信效率方面的优势。
本文综述大语言模型上下文学习(ICL)的校准与鲁棒性研究。模型规模、示例数量及微调会导致性能与校准的权衡;RICL、LARICL、LinC、DP-ICL、SuperICL等方法可提升校准与隐私性;ICL对标签扰动不如监督学习敏感,且存在标签偏移现象,需进行生成校准。
本文综述了域自适应与分布偏移下的机器学习方法,涵盖标签偏移、在线测试时自适应、因果推断及回归等问题,提出ELSA、T-SaS、ROID、RLLS等框架,利用影响函数、贝叶斯建模、重加权与谱适应等技术提升模型鲁棒性与计算效率。
该论文提出了一种通过元网络在联邦学习网络中学习个性化策略的框架,为每个客户端生成定制的个性化策略。实验结果表明,该框架优于多种标准的手工个性化基线方法,尤其在标签偏移和特征偏移情况下表现更好。
完成下面两步后,将自动完成登录并继续当前操作。