Компьютерные науки > Машинное обучение [представлено 10 сентября 2026 года] Название: Количественная оценка жесткости на местном уровне для классификаторов Наивных Байесов и генерирующих лесов: общий подход к HTML PD (экспериментальный) резюме: Мы предоставляем методы расчета надежности прогнозов двух типов дегенеративных классификаций, лежащих в основе распределения вероятностной графической модели (ПГМ): наивные классификации баев и рекреационные леса (прогнозирующее расширение случайных лесов). Следуя парадигме количественной оценки надежности, мы определим надежность прогнозирования как степень, в которой распределение классификации может быть нарушено без изменения этого прогноза. Мы рассматриваем проблемы, возникающие в результате изменения местных моделей ПГМ в рамках общих районов и сосредотачиваемся на эпсилон-загрязнении, общем расстоянии отклонений и ши-квадратных диффузных шарах. Мы проверяем наши методы на контрольных наборах данных, демонстрируем, что надежность прогнозов служит показателем ее надежности и сопоставляем наш подход с другими такими показателями. История представления от: Adrian Detavernier [видение электронной почты] [v1] Tu, 10 сентября 2026:55:57 UTC (268 KB) Ссылки и цитаты загруженные... Библиографические и цитационно-инструментальные средства Библиографии (что такое Исследователь?) Подключенные документы (Что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Какой умный клиент?), код, данные и СМИ связаны с этой…
Количественная оценка местных энергоемких систем для сортировщиков найв-Бейес и генерирующих лесов: общий подход
arXiv: 2609.11366v1 Вид уведомления: новое резюме: Мы предлагаем методы расчета надежности прогнозов двух типов дегенеративных классификаторов, основным источником распределения которых является вероятностная графическая модель (ПГМ): наивные категоризации Байеса и рекреационные леса (вероятность расширения случайных лесов). Следуя парадигме количественной оценки надежности, мы определим надежность прогнозирования как степень, в которой распределение классификации может быть нарушено без изменения этого прогноза. Мы рассматриваем проблемы, возникающие в результате изменения местных моделей ПГМ в рамках общих районов и сосредотачиваемся на эпсилон-загрязнении, общем расстоянии отклонений и ши-квадратных диффузных шарах. Мы проверяем наши методы на контрольных наборах данных, демонстрируем, что надежность прогнозов служит показателем ее надежности и сопоставляем наш подход с другими такими показателями.
