特征偏移定位网络
机器学习
2025-06-12 v1 人工智能
机器学习
摘要
特征偏移存在于许多涉及医疗、生物医学、社会经济、金融、调查和多传感器数据的应用中，其中未协调的异构数据源、噪声数据测量或不一致的处理和标准化流程可能导致错误的特征。定位偏移特征对于解决偏移的根本原因、纠正或过滤数据以避免下游分析退化至关重要。虽然许多技术可以检测分布偏移，但定位其来源特征仍然具有挑战性，现有方案要不准确要不无法扩展至大规模高维数据集。在这项工作中，我们提出了特征偏移定位网络（FSL-Net），一种能够快速且准确地在大规模高维数据中定位特征偏移的神经网络。该网络经过大量数据集训练，能够学习数据集的统计特性，并可在无需重新训练的情况下从先前未见过的数据集和偏移中定位特征偏移。代码和可直接使用的训练模型可在 https://github.com/AI-sandbox/FSL-Net 获取。
引用
@article{arxiv.2506.09101,
title = {Feature Shift Localization Network},
author = {Míriam Barrabés and Daniel Mas Montserrat and Kapal Dev and Alexander G. Ioannidis},
journal= {arXiv preprint arXiv:2506.09101},
year = {2025}
}
备注
9 pages, 2 figures, 4 tables