КАТЕГОРИЯ
Машинное обучение
42 материалов
Минимизация эмпирического рискаВыбирает модель, минимизирующую среднюю ошибку на наблюдаемой выборке.PAC-обучаемостьФормализует обучение с высокой вероятностью и малой ошибкой при достаточной выборке.Равномерная сходимостьГарантирует близость эмпирического и истинного риска для всего класса моделей.Разложение смещения и дисперсииРазделяет ошибку прогноза на смещение, дисперсию и неустранимый шум.Кросс-валидацияОценивает обобщение повторным разделением данных на обучение и проверку.Вложенная кросс-валидацияРазделяет подбор гиперпараметров и честную оценку качества.Сдвиг ковариатРаспределение входов меняется при неизменной условной зависимости цели.Сдвиг метокМеняются доли классов при стабильном распределении признаков внутри классов.Адаптация доменаПереносит модель между различающимися обучающим и целевым распределениями.Перенос обученияИспользует знания, полученные на одной задаче, для другой задачи.Многозадачное обучениеСовместно обучает связанные задачи через общие представления.Самообучение без разметкиСоздает обучающие сигналы из структуры самих данных.Контрастивное обучениеСближает представления похожих примеров и разделяет непохожие.Обучение метрикиУчит функцию расстояния, отражающую смысловую близость объектов.Активное обучениеМодель выбирает наиболее полезные примеры для разметки.ПолуобучениеСовмещает небольшую размеченную выборку с большим объемом неразмеченных данных.Обучение по учебной программеПодает примеры в порядке возрастающей сложности.Непрерывное обучениеМодели последовательно осваивают новые данные без полного забывания старых.Дистилляция знанийКомпактная модель обучается воспроизводить поведение более крупной модели.Квантование моделиСнижает точность представления параметров ради памяти и скорости.Прореживание нейросетиУдаляет малозначимые параметры или структуры модели.Гипотеза выигрышного билетаБольшая сеть содержит малую подсеть, способную обучиться до сопоставимого качества.Двойной спускОшибка может снова снижаться после прохождения порога интерполяции.Законы масштабирования нейросетейКачество предсказуемо меняется с размером модели, данных и вычислений.Механизм вниманияВзвешивает вклад элементов контекста при формировании представления.Архитектура TransformerИспользует само-внимание и параллельную обработку последовательностей.Смесь экспертовМаршрутизирует примеры к специализированным подсетям.Генерация с дополнением поискомДополняет генерацию внешними найденными знаниями.Галлюцинации языковых моделейМодель генерирует правдоподобные, но неподтвержденные утверждения.Калибровка вероятностейСогласует предсказанную вероятность с фактической частотой событий.Оценка БрайераИзмеряет квадратичную ошибку вероятностных прогнозов.Кривая precision-recallПоказывает компромисс точности и полноты при разных порогах.F1-мераГармонически объединяет точность и полноту.Коэффициент корреляции МэтьюсаОценивает бинарную классификацию с учетом всех ячеек матрицы ошибок.SHAP-значенияРаспределяют вклад признаков в прогноз на основе значений Шепли.LIMEЛокально приближает сложную модель простой интерпретируемой моделью.Контрфактическое объяснениеПоказывает минимальные изменения входа, меняющие решение модели.Справедливость через неиспользование признакаИсключает чувствительный атрибут, но не устраняет его косвенные прокси.Равные шансыТребует одинаковых частот ошибок между группами.Демографический паритетТребует одинаковой частоты положительных решений между группами.Предиктивный паритетТребует одинаковой точности положительных прогнозов между группами.Закон Гудхарта в MLОптимизация единственной метрики может ухудшить реальное поведение модели.