海报：训练后 DNN 中偏置、节点敏感性与长尾分布之间的关联
机器学习
2023-04-04 v2
摘要
由于其卓越的学习（和再学习）能力，深度神经网络（DNNs）被应用于众多现实世界任务中。然而，这些数据驱动的机器学习模型的学习效果通常取决于可用于训练的数据质量。因此，具有长尾分布的训练数据集对 DNNs 构成了挑战，因为在其上训练的 DNNs 可能在不同输出类别上提供不同程度的分类性能。虽然此类网络的总体偏置已在现有工作中被指出，但本工作识别了导致节点对不同输出类别敏感性各异的节点偏置。据我们所知，这是首个指出 DNNs 中这一独特挑战、讨论其可能原因并为这一新研究方向提供开放挑战的工作。我们使用在真实世界数据集上训练网络的实证案例研究来支持我们的推理。
引用
@article{arxiv.2303.16589,
title = {Poster: Link between Bias, Node Sensitivity and Long-Tail Distribution in trained DNNs},
author = {Mahum Naseer and Muhammad Shafique},
journal= {arXiv preprint arXiv:2303.16589},
year = {2023}
}
备注
To appear at the 16th IEEE International Conference on Software Testing, Verification and Validation (ICST 2023), Dublin, Ireland