摘要： 
棄權學習（learning with abstention）主要是為了使分類器在學習過程中可能出現的誤導性或者不正確的信息時（這常被稱為“幻覺”），能夠對做出預測進行棄權。目前，棄權學習的方法主要可以分為以下幾種：基于置信度的方法（confidence-based methods）。這種方法在預訓練模型返回的分數低于某個閾值θ時棄權；選擇性分類（selective classification）。設置一個預測器和一個選擇器，并定義被期望的選擇或收斂度歸一化的選擇風險或損失；預測器-拒絕器公式（predictor-rejector formulation）。同時學習一個預測器和一個拒絕器，它們來自不同的函數族，這種方法顯式地考慮了棄權花費c，當學習器棄權時將導致大小為c的損失；基于分數的公式（score-based formulation）。對多分類類別進行增廣（多一個拒絕標簽類型），當分配給拒絕標簽的分數最高時進行棄權。 閱讀全文
棄權學習（learning with abstention）主要是為了使分類器在學習過程中可能出現的誤導性或者不正確的信息時（這常被稱為“幻覺”），能夠對做出預測進行棄權。目前，棄權學習的方法主要可以分為以下幾種：基于置信度的方法（confidence-based methods）。這種方法在預訓練模型返回的分數低于某個閾值θ時棄權；選擇性分類（selective classification）。設置一個預測器和一個選擇器，并定義被期望的選擇或收斂度歸一化的選擇風險或損失；預測器-拒絕器公式（predictor-rejector formulation）。同時學習一個預測器和一個拒絕器，它們來自不同的函數族，這種方法顯式地考慮了棄權花費c，當學習器棄權時將導致大小為c的損失；基于分數的公式（score-based formulation）。對多分類類別進行增廣（多一個拒絕標簽類型），當分配給拒絕標簽的分數最高時進行棄權。 閱讀全文
posted @ 2025-02-22 10:44
orion-orion
閱讀(326)
評論(0)
推薦(1)
浙公網安備 33010602011771號