arXiv ID:
2604.11118
分布鲁棒的K均值聚类 / Distributionally Robust K-Means Clustering
1️⃣ 一句话总结
这篇论文提出了一种新的、更稳健的K均值聚类方法,通过考虑最坏情况下的数据分布变化,有效提升了算法对异常值、噪声和样本量不足的抵抗力,并提供了高效的求解算法。
分布鲁棒的K均值聚类 / Distributionally Robust K-Means Clustering
这篇论文提出了一种新的、更稳健的K均值聚类方法,通过考虑最坏情况下的数据分布变化,有效提升了算法对异常值、噪声和样本量不足的抵抗力,并提供了高效的求解算法。
协变量偏移下的安全分布鲁棒特征选择 / Safe Distributionally Robust Feature Selection under Covariate Shift
本文提出了一种名为safe-DRFS的新方法,用于在模型部署环境可能与开发环境不同的情况下,安全地选择出能保证在所有可能环境中都表现良好的传感器(特征)子集,避免因环境变化导致关键传感器缺失。
Wasserstein分布鲁棒在线学习 / Wasserstein Distributionally Robust Online Learning
这篇论文提出了一种新的在线学习方法,让风险厌恶的决策者能够根据历史数据动态调整策略,以抵御最坏情况的数据分布变化,并通过将复杂的无限维优化问题转化为经典的预算分配问题,大幅提升了计算效率。
差分隐私非凸分布鲁棒优化 / Differentially Private Non-convex Distributionally Robust Optimization
这篇论文提出了一种新的差分隐私优化方法,用于训练能在数据分布变化时保持性能稳定的机器学习模型,同时严格保护训练数据中的敏感信息不被泄露。
通过分布鲁棒优化学习可信集合 / Learning Credal Ensembles via Distributionally Robust Optimization
这篇论文提出了一种名为CreDRO的新方法,通过训练一组在不同数据分布假设下的模型来更全面地评估预测中的认知不确定性,从而在数据分布发生变化时(例如医疗应用或异常检测中)获得更可靠、更鲁棒的预测结果。
请先 登录 后再提交论文