Perturbation-Specific Reliability of Intrinsic and Post-Hoc Explainable Machine Learning in Volatility Forecasting
本研究表明,波动率预测中内在解释与事后解释的可靠性具有高度的扰动特异性,在不同的模型-表示-解释器配置之间存在显著差异,并且必须在诸如重训练、时间偏移和输入噪声等多种条件下进行实证评估。
3775 篇论文
本研究表明,波动率预测中内在解释与事后解释的可靠性具有高度的扰动特异性,在不同的模型-表示-解释器配置之间存在显著差异,并且必须在诸如重训练、时间偏移和输入噪声等多种条件下进行实证评估。
本文证明了图像加密中使用的每种密钥化 DNA 操作在二进制域上在结构上都是仿射的,从而使得此类扩散层在代数上表现脆弱且易受攻击,同时提出了一种经过验证的、零成本的替代方案以克服这些固有的局限性。
本研究表明,虽然由于概念漂移的存在,随机交叉验证会高估机器学习在工业装配线数据上的性能,但经由时间序列验证的时序评估显示,通过适当调优,梯度提升模型仍可作为有效的减少检测环节的筛选工具。
这篇批判性的综合综述认为,代理型人工智能在高等教育中的部署必须受到一个新的“自主-监督-证据”框架的约束,该框架要求委托给系统的自主程度不得超过支持性证据的成熟度或负责任人类监督的强度,以防止伤害并确保公平。
本研究提出了一个可复现的多语言自然语言处理框架以及一个包含 7,148 条埃塞俄比亚金融科技评论的精选语料库,用于将用户反馈分为五个服务类别,并证明了 AfroXLMR Transformer 模型在处理英语、阿姆哈拉语及代码混用文本方面优于其他架构,同时强调了数据不平衡和语言变异所带来的持续挑战。
本文提出了一种远程中性逻辑(Teleoneutrosophic Logic),这是一种具有溯源意识的框架,它将用于效果和目的的独立中性三元组相结合,以实现机构人工智能代理的三方授权,通过区分合法的外部请求与恶意诱导,从而有效地减少直接伤害的传递。
这项初步研究表明,在微调过程中应用潜在归因正则化(Latent Attribution Regularization, LAR)能够提高小型工具使用型大语言模型智能体的归因一致性,从而降低其对改写后的有害请求的敏感性,并在不显著损害检测性能的情况下稳定拒绝决策,尽管如果将其应用于无害示例则存在过度拒绝的风险。
本文表明,虽然多尺度球形旋转支撑是稀疏点云上屏幕泊松重建(Screened Poisson reconstruction)的先决条件,但准确度提升的主要驱动因素是随后对该支撑进行的高密度重采样,这显著降低了误差和法向敏感性,尽管与先验真值(oracle)相比,该流程在本质上仍受限于估计法线的质量。
本文表明,用于机器人的面部表情识别系统虽然在干净数据集上达到了极高的准确率,但在对抗性攻击下却表现出灾难性且在结构上无法校准的置信度失准,这使得它们尽管表现得高度自信,但在物理控制方面本质上是不安全的。
本文提出了一种新颖的遥感语义分割框架,该框架通过模态特定编码、层级跨模态交互以及频率引导解码,将光学图像与数字表面模型进行集成,以有效解决细粒度结构识别、边界精度和小目标检测方面的挑战。