TPAMI 2025 | 基于感知流形曲率预测和提升深度神经网络的公平性

最新推荐文章于 2025-05-14 20:29:22 发布
最新推荐文章于 2025-05-14 20:29:22 发布
阅读量75 收藏
点赞数 2
分类专栏： 论文解读 IEEE TPAMI 文章标签： dnn 机器学习 深度学习 IEEE TPAMI 顶刊论文 论文解读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/146136050
版权

论文信息

题目：Predicting and Enhancing the Fairness of DNNs with the Curvature of Perceptual Manifolds
基于感知流形曲率预测和提升深度神经网络的公平性
作者：Yanbiao Ma, Licheng Jiao, Fang Liu, Maoji Wen, Lingling Li, Wenping Ma, Shuyuan Yang, Xu Liu, Puhua Chen
源码：https://github.com/mayanbiao1234/Geometric-metrics-for-perceptual-manifolds

论文创新点

  1. 引入几何视角评估模型公平性：论文作者创新性地引入几何
了解本专栏 订阅专栏 解锁全文
什么是深度神经网络
kcarly的专栏
05-11 834
深度神经网络通过多层次的非线性变换和自动化特征学习，在多个领域实现了革命性突破。其核心技术包括反向传播、激活函数和正则化方法，而结构设计（如CNN、ResNet）和优化算法（如Adam）的进步进一步释放了模型潜力。尽管面临可解释性、计算成本等挑战，随着多模态融合、轻量化设计和新型硬件的发展，DNN将继续推动人工智能的边界，深刻影响科技与社会的发展。
PyTorch深度神经网络（前馈、卷积神经网络）
最新发布
缘友一世的博客
05-14 530
PyTorch深度神经网络（前馈、卷积神经网络）
【漫话机器学习系列】250.异或函数（XOR Function）
IT古董
05-10 794
异或函数（XOR Function）是逻辑运算中的一种基础函数，定义为当两个输入不同时输出1，相同时输出0。这一简单的逻辑运算在多个领域中扮演着重要角色。在机器学习和深度学习中，异或函数因其非线性可分性质，推动了多层感知机的发展。在加密和编码领域，异或运算因其可逆性被广泛应用于数据加密和校验。在逻辑电路设计中，异或门是构建加法器等关键模块的基础。Python中可以通过简单的算术或按位操作实现异或函数。理解异或函数不仅对计算机科学和人工智能的学习至关重要，也是掌握现代技术发展的基石。
【漫话机器学习系列】259.神经网络参数的初始化（Initialization Of Neural Network Parameters）
IT古董
05-14 896
神经网络参数初始化是构建高效稳定模型的关键步骤。本文通过手绘风格图，详细解析了参数初始化的背景、方法及其数学依据。参数初始化不当可能导致梯度消失、爆炸或收敛缓慢等问题。常见的初始化方法包括从均匀分布或正态分布中随机提取初始权重，并控制初始化的规模。Xavier初始化是适用于sigmoid和tanh激活函数的经典方案，旨在保持激活值和梯度的方差稳定。此外，还介绍了He初始化和LeCun初始化等针对不同激活函数的优化方法。
每天五分钟机器学习：KTT条件
huanfeng_AI的博客
05-10 302
在前面的课程中，我们学习了拉格朗日乘数法求解等式约束下函数极值，如果约束不是等式而是不等式呢？此时就需要KTT条件出手了，KTT条件是拉格朗日乘数法的推广。KTT条件不仅统一了等式约束与不等式约束的优化问题求解范式，KTT条件给出了这类问题取得极值的一阶必要条件。
每天五分钟机器学习：拉格朗日对偶函数
huanfeng_AI的博客
05-10 222
在数学优化领域，拉格朗日对偶函数作为连接原始约束问题与对偶问题的核心纽带，展现了将复杂约束优化转化为无约束优化的方式。
MLflow - 机器学习生命周期管理平台
AI工程化、开源分享、文档翻译、代码笔记
05-10 548
MLflow Tracing 为多种 GenAI 库（如 OpenAI、LangChain、LlamaIndex、DSPy、AutoGen 等）提供 LLM 可观测能力。通过 MLflow CLI 的一行命令，您可以将已记录的模型部署到本地推理服务器。开源平台，专为机器学习从业者和团队设计，用于简化机器学习全流程管理，确保各阶段可追踪、可复现。当上述代码执行完成后，在另一个终端中运行以下命令，并通过打印出的URL访问MLflow UI。，用于跟踪训练数据集、超参数、性能指标、训练好的模型、依赖项等信息。
数据科学和机器学习的“看家兵器”——pandas模块 之一
gaoav007的博客
05-14 405
pandas 的主要数据结构是 Series（一维数组）和 DataFrame（二维表格型数据结构），它们能够处理各种类型的数据，无论是时间序列数据、表格数据还是矩阵数据。pandas 提供了高级数据操作功能，包括数据清洗、合并、重塑、聚合和时间序列分析等。
机器学习第十讲：异常值检测 → 发现身高填3米的不合理数据
kovlistudio的博客
05-14 627
机器学习第十讲：异常值检测 → 发现身高填3米的不合理数据
机器学习第四讲：无监督学习 → 给无标签积木自由组合，发现隐藏规律
kovlistudio的博客
05-10 776
机器学习第四讲：无监督学习 → 给无标签积木自由组合，发现隐藏规律
机器学习基础课程-6-课程实验
星虐
05-14 426
本文介绍了贷款审批结果预测的实验流程。首先，通过读取和处理贷款数据，包括处理重复值、缺失值和特殊值。接着，对特征进行分类处理，包括有序型、类别型和数值型特征，并进行归一化处理。然后，使用多种机器学习模型（如kNN、决策树、SVM等）进行训练和测试，并通过网格搜索调整模型参数。
【计算机视觉】OpenCV实战项目：Deep Machine Learning Tutors：基于OpenCV的实时面部识别系统深度解析
weixin_43988131的博客
05-10 948
Deep Machine Learning Tutors：基于OpenCV的实时面部识别系统深度解析
数据清洗的艺术：如何为AI模型准备高质量数据集？
2501_91537435的博客
05-14 692
数据清洗的艺术：如何为AI模型准备高质量数据集？
当DMAIC遇上机器学习：AI如何让六西格玛缺陷预测准确率提升300%？
zhangchizixun888的博客
05-13 795
张驰咨询团队在与多家制造企业的合作中发现，将AI融入六西格玛体系后，缺陷预测模型的准确率普遍提升了200%-300%，这一变化并非颠覆传统，而是让DMAIC焕发出新的生命力。在铸造厂水套芯缺陷改善项目中，团队曾耗时两周收集现场问题，而AI系统通过实时抓取生产日志、设备传感器数据，仅用2小时便锁定了“转运环节振动值异常”这一隐藏变量，将问题定位效率提升8倍。在LG电子微波炉门缝改进案例中，AI利用强化学习模拟了10万次工艺参数组合，找到的解决方案不仅将泄漏率降低40%，还同步减少了12%的能耗。
学习机器学习的体会与姓名性别预测案例分析
2301_77491688的博客
05-14 740
特征工程是机器学习的灵魂：哪怕是名字这样“不规则”的信息，只要设计好特征，也能转化为数值进行建模。监督模型多样且有各自适用范围：逻辑回归适合线性分类，KNN适合少量样本的近似判断，朴素贝叶斯适合统计性强的特征分布。无监督方法可做探索性分析：即使没有标签，也能通过聚类方式探索数据潜在结构。数据清洗与编码同样重要：如标签“男”“女”要统一成数字标签，便于模型计算。
【人工智能核心技术全景解读】从机器学习到深度学习实战
赶紧的博客
05-08 1863
本文通过15个工业级案例，系统讲解人工智能核心技术的原理与实践，涵盖监督学习、神经网络、模型优化等关键领域，提供可复用的代码模板与架构设计方法。
GAN简读
qq_51934529的博客
05-14 726
我们提出了一个通过同时训练两个模型的对抗过程来评估生成模型的新框架：一个生成模型G用来捕捉数据特征,还有一个用于估计这个样本是来自训练样本还是G的概率的判别模型DG的训练过程是最大化D犯错的概率。这个框架就相当于一个minimax two-player game。再任意的G和DG涵盖了训练数据的分布，，D恒为0.5。当G和D均被定义为MLP时，整个系统可以使用反向传播进行训练。则无论在训练或是生成样本过程中不再需要任何马尔科夫链或者展开的近似推理。
AI与机器学习深度集成：从设备端能力爆发到开发工具智能化
全栈
05-14 495
AI与机器学习技术的深度集成正在彻底改变移动开发领域。设备端AI能力爆发，如ML Kit 2.0提供实时视频抠图、主题分割等功能，Gemini Nano模型通过AICore系统服务实现在设备端的高质量文本摘要和智能回复。AI辅助开发工具如Android Studio Bot显著提升开发效率，提供代码生成、调试建议及平台问题解答。企业级应用应采用模块化架构设计，支持动态模型切换和推理预算控制，同时注重数据隐私与安全保护。
【漫话机器学习系列】258.拐点（Inflection Point）
IT古董
05-14 478
拐点（Inflection Point）是数学分析中一个关键概念，指函数图像上曲率方向发生变化的点，即由凸变凹或由凹变凸的位置。通过二阶导数的符号变化可以识别拐点：当二阶导数f''(x)由正变负或由负变正时，对应的x值即为拐点。拐点在实际中有广泛应用，例如在机器学习中用于判断模型过拟合，在金融分析中用于预测趋势反转，在疫情研究中用于预测传播拐点等。掌握拐点的概念和识别方法，有助于更好地理解数据变化规律，并在多个领域中做出有效决策。
自蒸馏：提升神经网络效率与紧凑度的关键
"《自蒸馏：迈向高效紧凑的神经网络》是一篇发表于2022年TPAMI（《计算机视觉与图像理解》）的研究论文，作者Lin Feng Zhang、Chenglong Bao和Kaisheng Ma探讨了深度学习领域的一个重要课题——如何在保持高精度的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值