來源：專知（ID：Quan_Zhuanzhi）
【新智元導讀】如今魯棒性成爲機器學習領域的一大討論熱點，本文爲大家整理了俄勒岡州立大學的傑出教授Thomas G.Dietterich的魯棒機器學習教程。
課程介紹
這個短期課程討論了從有監督的機器學習中獲得可靠決策的問題。它試圖總結關於我們如何創建機器學習分類器的當前知識，這些分類器在進行預測時可以保證預測的正確性和高概率性。這些分類器拒絕測試查詢，因爲它們對這些查詢沒有足夠的信心。本課程由四節課組成，每節課以最近最新的一些論文爲中心，但也包括其他出版資料。
- 第1講：校準概率。本節課討論如何從監督分類器獲得校準概率。這對於做出拒絕決定很有用，對於cost-sensitive的分類，處理類不平衡以及作爲更大的AI系統的組件也是有用的。
- 第2講：帶有拒絕選項的分類。爲了正確地做出拒絕決策，我們不需要獲得經過校準的概率。這節課討論了設置拒絕閾值的方法，該閾值提供了準確性保證。這包括標準的閾值法和保角預測法。
- 第3講：開放類別檢測。前兩講僅考慮了具有iid訓練數據的封閉世界的情況。在本節課中，我們討論了檢測屬於不存在於訓練數據中的類的測試查詢的問題。
- 第4講：異常檢測。大多數開放類別方法都使用異常檢測方法來進行新奇類查詢。本節課討論了八種異常檢測算法的基準研究。然後介紹由Alan Fern，Md.Amran Siddiqui和我開發的罕見模式異常檢測理論，該理論給出了異常檢測方法的PAC式理論。
我無法在這些演講中涵蓋所有相關的文獻。如果您能給我發相關文獻的郵件，我將不勝感激。同樣的，如果你在這些報告中看到錯誤，請給我發郵件，以便我可以及時更正。
Tom Dietterich，[email protected]
177頁學習教程Slides
本文授權轉載自專知（ID：Quan_Zhuanzhi）