长尾分布相关 AI 资讯 · AI 热点

8月11日

10:38

10:38

官方账号arXiv cs.AI@Mengnan Zhao, Geyong Min, Lihe Zhang, Tianhang Zheng, Jie Cui

CGRm 是一种用于长尾对抗训练的插件式框架，利用有向鲁棒误差作为训练信号。它通过周期性鲁棒评估推导源类损失权重、类级鲁棒系数和有向混淆几何图。该方法将反馈加权鲁棒优化与图引导的边界校正相结合，提升脆弱类别的鲁棒性。在长尾基准上的实验显示，CGRm 相比现有方法取得一致的鲁棒性能提升，消融实验验证了各组件贡献。

论文 CGRm 长尾分布对抗训练

推荐理由：CGRm 解决了长尾对抗训练中类别不平衡和对抗放大双重问题，用混淆几何图精准定位关键边界，实验效果不错，值得做对抗训练的人看看。

5月14日

01:10

01:10

官方账号arXiv cs.LG@Enyi Jiang, Wu Sun

野火预测面临罕见极端事件和分布漂移的双重挑战，标准模型常因忽视少数类（火灾）而失效。研究者提出环境自适应偏好优化（EAPO）框架，通过k近邻检索构建与目标环境对齐的数据集，再结合监督学习和偏好优化进行混合微调，重点强化对罕见极端事件的识别。在真实野火预测任务中，EAPO在环境变化下达到ROC-AUC 0.7310，显著提升了极端事件的检测能力。该工作为动态环境下的罕见事件预测提供了新思路。

论文野火预测分布漂移偏好优化

推荐理由：做环境监测或灾害预测的团队，EAPO 解决了分布漂移下罕见事件难检测的痛点，值得在类似长尾预测任务中试试。