AITOPAI热报

MMD

共 4 条相关 AI 资讯
8月31日
09:07
09:07官方账号arXiv cs.LG@Tommaso dorigo
研究人员开发了一种新框架，通过为每个观测值分配其在随机统计上下文中的条件或边际贡献，来解决样本偏离参考分布时的定位问题。该方法将重采样诊断和数据估值与投影理论和事件级异常检测联系起来。在对称统计情况下，固定大小替换等价于中心条件定位；对于U统计量，加法得分等于第一个Hoeffding/Hájek贡献；对于平滑分布泛函，它主要与影响函数相关；对于无偏已知背景MMD，它精确简化为MMD见证。在LHC奥运会异常检测基准上，成对估计器以预测的1/(Rm^2)缩放率收敛到直接经验MMD见证，在m=1000和R=5x10^6时达到0.9993的相关性，AUC基本相同。
论文异常检测MMD统计推断
推荐理由：这篇论文提出了一种新方法，能精确定位哪些观测值导致样本偏离参考分布，在LHC奥运会上表现出色。
原文
8月14日
10:35
10:35官方账号arXiv cs.LG@Christofer Washington Berruz Chungata, Martin Jurecek, Katerina Potika, William B. Andreopoulos, Mark Stamp
该论文针对恶意软件分类模型因概念漂移导致的性能下降问题，对比了三种漂移检测技术：基于One-Class SVM（OCSVM）的新方法、基于Minibatch K-Means（MK-Means）的已有方法以及统计检验方法MMD。实验覆盖四种模型：多层感知机、随机森林、支持向量机和XGBoost，并在静态、周期重训练和漂移感知三种场景下评估。结果表明，漂移感知重训练在保持与周期重训练相近分类精度的同时，大幅减少需要重训练的模型数量。其中OCSVM方法在准确率和训练效率的Pareto权衡上整体优于MK-Means和MMD。
论文OCSVMMK-MeansMMD
推荐理由：做恶意软件检测的同学可以看看，论文证明了用OCSVM检测概念漂移再触发重训练，能省下大量计算资源还不掉精度。
原文
7月28日
10:20
10:20官方账号arXiv cs.LG@Silas Koemen
该研究在诚实森林框架内系统实现并比较了多种分布分裂准则，包括各向同性随机傅里叶特征最大平均差异（MMD）、各向异性对角带宽变体、自适应逐分裂频率选择变体以及切片Wasserstein准则，并测试了后验核均值收缩。通过配对种子比较，在合成分位数机制、真实单变量基准、加州住房子样本曲线以及多变量合成和真实响应上评估各扩展的性能。三个主要发现：各向同性MMD已接近最优，基于均值的CART分裂在标量表格回归中仍是稳健默认，多变量响应是分布分裂的明确优势场景，其中能量得分能区分各准则而边际CRPS不能。所有准则和森林实现已开源在drforest库中。
论文随机森林MMDCART
推荐理由：这篇论文系统比较了随机森林的各种分布分裂方法，发现各向同性MMD就够了，多变量响应才是分布分裂的用武之地，干货多结论扎实。
原文
7月23日
12:11