来源:专知
本文多图,建议阅读9分钟。
本文为大家整理了俄勒冈州立大学的杰出教授Thomas G.Dietterich的鲁棒机器学习教程。
[ 导读 ]如今鲁棒性成为机器学习领域的一大讨论热点,本文为大家整理了俄勒冈州立大学的杰出教授Thomas G.Dietterich的鲁棒机器学习教程。
后台回复“181124”获取完整版PPT下载链接
课程介绍
这个短期课程讨论了从有监督的机器学习中获得可靠决策的问题。它试图总结关于我们如何创建机器学习分类器的当前知识,这些分类器在进行预测时可以保证预测的正确性和高概率性。这些分类器拒绝测试查询,因为它们对这些查询没有足够的信心。本课程由四节课组成,每节课以最近最新的一些论文为中心,但也包括其他出版资料。
第1讲:校准概率。本节课讨论如何从监督分类器获得校准概率。这对于做出拒绝决定很有用,对于cost-sensitive的分类,处理类不平衡以及作为更大的AI系统的组件也是有用的。
第2讲:带有拒绝选项的分类。为了正确地做出拒绝决策,我们不需要获得经过校准的概率。这节课讨论了设置拒绝阈值的方法,该阈值提供了准确性保证。这包括标准的阈值法和保角预测法。
第3讲:开放类别检测。前两讲仅考虑了具有iid训练数据的封闭世界的情况。在本节课中,我们讨论了检测属于不存在于训练数据中的类的测试查询的问题。
第4讲:异常检测。大多数开放类别方法都使用异常检测方法来进行新奇类查询。本节课讨论了八种异常检测算法的基准研究。然后介绍由Alan Fern,Md.Amran Siddiqui和我开发的罕见模式异常检测理论,该理论给出了异常检测方法的PAC式理论。
我无法在这些演讲中涵盖所有相关的文献。如果您能给我发相关文献的邮件,我将不胜感激。同样的,如果你在这些报告中看到错误,请给我发邮件,以便我可以及时更正。
Tom Dietterich,tgd@cs.orst.edu
177页学习教程Slides
后台回复“181124”获取完整版PPT下载链接