Žinynas
Žinių pagrindai
Tyrinėkite sąvokas, dėsnius, lygtis ir metodus, jų taikymą ir šaltinius. Pasirinkite pažinimo sritį arba raskite konkretų žinyno įrašą.
Daugiau filtrų
Mokymasis ir išvados
Rodoma įrašų: 1–22 iš 22
Randomizuotas mechanizmas užtikrina (epsilon,delta)-diferencialųjį privatumą, jei kiekvienai gretimų duomenų rinkinių porai ir kiekvienam išvesties įvykiui galioja Pr[M(D) in S]≤exp(epsilon)Pr[M(D-prime) in S]+delta.
ApibrėžimasInformacijaJautrumas, Laplaso triukšmas ir kompozicijaVektorinei užklausai, kurios globalusis L1 jautrumas yra Delta-1, prie kiekvienos koordinatės pridėjus nepriklausomą Laplaso triukšmą, kurio mastelio parametras yra Delta-1/epsilon, užtikrinamas epsilon diferencinis privatumas pagal pasirinktą gretimumo sąryšį.
MetodasInformacijaRényi privatumo apskaita ir konversijaKai eilė alpha>1, RDP apriboja Rényi divergenciją tarp mechanizmo išvesčių kiekvienai gretimų duomenų rinkinių porai dydžiu epsilon-alpha.
Matematinis teiginysInformacijaAtsparumui priešiškoms atakoms būtinas grėsmių modelisVertinant atsparumą priešiškoms atakoms su norma apribotais trikdžiais, klausiama, ar užpuolikas gali pakeisti modelio prognozę, naudodamas trikdžius iš nurodytos aibės aplink įvestį.
MetodasInformacijaAtsitiktinis glodinimas: ribotas L2 sertifikatasGauso glodinimas apibrėžia klasifikatorių pagal labiausiai tikėtiną bazinio klasifikatoriaus prognozę, veikiant N(0,sigma²I) triukšmui.
Matematinis teiginysInformacijaTransformer dėmesio mechanizmas ir jo modeliavimo tikslasSkaliarinės sandaugos dėmesio mechanizmas su mastelio korekcija apskaičiuoja softmax(QK-transpose/sqrt(d-k))V, todėl teksto vienetų reprezentacijos gali apjungti kontekstą per išmoktas užklausų, raktų ir reikšmių projekcijas.
ModelisInformacijaDifuzinis modeliavimas ir išmoktas atvirkštinis triukšmo šalinimasDDPM prideda Gauso triukšmo tiesioginėje Markovo grandinėje ir išmoksta parametrizuotą atvirkštinį procesą imtims generuoti.
ModelisInformacijaAutoregresinių ir difuzinių modelių palyginimasAutoregresinis modelis išskaido sekos tikimybinį dėsnį į sąlyginius kito elemento skirstinius, o difuzinis modelis generuoja taikydamas išmoktą atvirkštinį triukšmo procesą.
ApibrėžimasInformacija2025 duomenų užterštumo aptikimo tyrimas ir vertinimo ribosSamuel, Zhou ir Zou COLING 2025 tyrime lyginami penki duomenų užterštumo aptikimo metodai, taikomi keturiems kalbos modeliams ir aštuoniems etaloniniams testams, įskaitant kontroliuojamą tiksliojo derinimo aplinką su orakulu.
Empirinis rezultatasInformacijaPAC mokymasis: realizuojamojo ir agnostinio atvejų garantijosPAC mokymasis, remdamasis nepriklausomomis ir vienodai pasiskirsčiusiomis imtimis, apriboja populiacijos riziką su bent 1−delta tikimybe.
Matematinis teiginysInformacijaBaigtinės klasės tolygaus konvergavimo ribaBaigtinei hipotezių klasei H, nepriklausomiems ir vienodai pasiskirsčiusiems stebėjimams bei nuostoliams intervale [0,1], Hoeffding nelygybė ir sąjungos tikimybės riba rodo, kad tikimybė, jog bent viena empirinė rizika nuo populiacijos rizikos skirsis daugiau nei epsilon, yra ne didesnė kaip 2|H|exp(−2n epsilon²).
Matematinis teiginysInformacijaVC dimensija ir išmokstamumas nepriklausomai nuo skirstinioVC dimensija yra didžiausias taškų aibės dydis, kuriam dvejetainė hipotezių klasė gali realizuoti kiekvieną žymų priskyrimą.
Matematinis teiginysInformacijaPosteriorinis vertinimas, priorai ir identifikuojamumasBayesinis vertinimas sujungia tikėtinumo funkciją ir priorinį skirstinį į posteriorinį skirstinį, sąlygotą stebėtų duomenų.
ApibrėžimasInformacijaPopuliacijos rizika ir empiriniai mokymosi tikslaiPrognozuotojui h populiacijos rizika yra nuostolio matematinis vidurkis pagal nurodytą duomenų skirstinį; empirinė rizika yra imties nuostolio vidurkis.
ApibrėžimasInformacijaReguliarizavimas ir optimizavimas yra atskiros valdymo priemonėsReguliarizuotas empirinis minimizavimas prie imties nuostolio prideda sudėtingumo baudą, padaugintą iš lambda.
MetodasInformacijaStochastinis gradientas ir konvergavimo prielaidosStochastinio gradiento metodas atnaujina parametrus pagal imtimi įvertintą gradientą arba subgradientą.
MetodasInformacijaPagrindinės komponentės ir reprezentacijos prielaidosPCA randa ortogonalią mažo rango poerdvio projekciją, minimizuojančią centruotų stebėjimų kvadratinę atkūrimo paklaidą.
MetodasInformacijaValidavimas, testo nepriklausomumas ir informacijos nutekėjimasMokymas pritaiko parametrus, validavimas parenka modelius ir jų derinimą, o galutinis atskirtas testas įvertina pasirinktos procedūros veikimą populiacijoje, iš kurios imama jo imtis.
MetodasInformacijaBayesiniai tinklai, d-atskyrimas ir vertinimasBayesinis tinklas naudoja orientuotą aciklinį grafą ir vietinius sąlyginius skirstinius jungtiniam skirstiniui faktorizuoti.
ApibrėžimasInformacijaVariacinis vertinimas ir duomenų tikimybės logaritmo apatinė ribaVariacinis vertinimas aproksimuoja posteriorinį skirstinį, iš nurodytos šeimos parinkdamas q, kuris minimizuoja KL(q||posterior).
MetodasInformacijaMCMC ir variacinis vertinimas: įrodymai ir kompromisaiMCMC sudaro Markovo grandinę su norimu stacionariu posterioriniu skirstiniu ir vertina integralus pagal koreliuotus generuotus stebėjimus; reikia tikrinti konvergavimą, maišymąsi ir efektyvųjį imties dydį.
ApibrėžimasInformacijaPrognozavimas, priežastinė intervencija ir identifikuojamumasSąlygojimas pagal stebėjimą p(Y|X=x) ir intervencija p(Y|do(X=x)) apibūdina skirtingas operacijas.
Apibrėžimas