AITOPAI热报

AUPRC

共 2 条相关 AI 资讯
9月3日
09:09
09:09官方账号arXiv cs.LG@Taufikur Rahman Fuad, Md Abrar Jahin, Amir Hussain
RINSE是一种梯度自由的目标时间框架，在8个未见过的目标图上实现了最高的平均AUPRC。该方法通过识别低残差目标节点子集，构建修剪后的目标感知正常性模型。RINSE结合了可靠性门控排序融合和编码器集成，无需目标标签、梯度或针对每个目标的调整。
论文RINSE图异常检测零样本
推荐理由：康奈尔大学提出RINSE方法，解决了图异常检测中的领域迁移问题，在8个目标图上表现最佳。
原文
6月25日
10:42
10:42官方账号arXiv cs.LG@Zhengchi Ma, Pengfei Lyu, Anru R. Zhang
该论文建立了一个理论框架，分析合成数据增强对基于分数的分类指标（AUROC、AUPRC、最佳阈值平衡准确率、最佳阈值F1分数）的影响。将增强效应分解为类权重变化和合成数据与真实分布之间的偏差。在模型设定正确时，增强无法提供总体改进，仅可能减少有限样本方差，但会因合成分布误差引入额外偏差。在模型错误指定时，增强可通过改变有效类平衡来纠正原始不平衡目标下的排序错误。仿真结果表明，设定正确时收益有限，错误指定时存在非单调改善。
论文合成数据增强类别不平衡AUROC
推荐理由：这篇论文把合成数据增强对不平衡分类的效果掰开了讲：模型对的时候加数据没提升，模型错的时候加数据有救但别指望线性增益。
原文