超级干货 | 177页鲁棒机器学习教程（附PPT全文下载）

来源：专知

本文 多图 ， 建议阅读 9 分钟。

本文为大家整理了俄勒冈州立大学的杰出教授Thomas G.Dietterich的鲁棒机器学习教程。

[ 导读 ] 如今鲁棒性成为机器学习领域的一大讨论热点，本文为大家整理了俄勒冈州立大学的杰出教授Thomas G.Dietterich的鲁棒机器学习教程。

后台回复 “181124” 获取完整版PPT下载链接

课程介绍

这个短期课程讨论了从有监督的机器学习中获得可靠决策的问题。它试图总结关于我们如何创建机器学习分类器的当前知识，这些分类器在进行预测时可以保证预测的正确性和高概率性。这些分类器拒绝测试查询，因为它们对这些查询没有足够的信心。本课程由四节课组成，每节课以最近最新的一些论文为中心，但也包括其他出版资料。

• 第1讲：校准概率。 本节课讨论如何从监督分类器获得校准概率。这对于做出拒绝决定很有用，对于cost-sensitive的分类，处理类不平衡以及作为更大的AI系统的组件也是有用的。

• 第2讲：带有拒绝选项的分类。 为了正确地做出拒绝决策，我们不需要获得经过校准的概率。这节课讨论了设置拒绝阈值的方法，该阈值提供了准确性保证。这包括标准的阈值法和保角预测法。

• 第3讲：开放类别检测。 前两讲仅考虑了具有iid训练数据的封闭世界的情况。在本节课中，我们讨论了检测属于不存在于训练数据中的类的测试查询的问题。

• 第4讲：异常检测。 大多数开放类别方法都使用异常检测方法来进行新奇类查询。本节课讨论了八种异常检测算法的基准研究。然后介绍由Alan Fern，Md.Amran Siddiqui和我开发的罕见模式异常检测理论，该理论给出了异常检测方法的PAC式理论。

我无法在这些演讲中涵盖所有相关的文献。如果您能给我发相关文献的邮件，我将不胜感激。同样的，如果你在这些报告中看到错误，请给我发邮件，以便我可以及时更正。

Tom Dietterich，[email protected]

177页学习教程Slides