★ 2
光谱学中的运行范围界定：机器学习模型安全笼框架
研究提出模块化安全笼架构，作为并行监控层评估预测有效性而不修改底层估计器，通过融合不确定性量化、域外检测与影响函数等指标约束模型运行域。在Ariel数据挑战赛数据上，仅减少20%数据覆盖即可使误差降低45%至65%。
arXiv cs.LG48 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究提出模块化安全笼架构，作为并行监控层评估预测有效性而不修改底层估计器，通过融合不确定性量化、域外检测与影响函数等指标约束模型运行域。在Ariel数据挑战赛数据上，仅减少20%数据覆盖即可使误差降低45%至65%。
论文回顾了用神经网络参数化随机微分方程（SDE）建模类星体光变曲线的历史。作者提出连续延迟记忆随机梯度下降（CDM-SGD），依赖离散迭代过程的过去状态，在二维景观上展现出更广探索与更精确收敛。同时提出无需解 HJB 偏微分方程的连续时间策略梯度强化学习结构。