Buchumschlag

Understand the Effect of Importance Weighting in Deep Learning on Dataset Shift

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Vo, Thien Nhan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Learning for On-Street Parking Violation Prediction
von: Vo, Thien Nhan
Veröffentlicht: (2025)

Heart Rate Classification in ECG Signals Using Machine Learning and Deep Learning
von: Vo, Thien Nhan
Veröffentlicht: (2025)

Active Learning for Multi-class Image Classification
von: Vo, Thien Nhan
Veröffentlicht: (2025)

3D Brain MRI Classification for Alzheimer Diagnosis Using CNN with Data Augmentation
von: Vo, Thien Nhan, et al.
Veröffentlicht: (2025)

Importance Weighting Correction of Regularized Least-Squares for Target Shift
von: Gogolashvili, Davit
Veröffentlicht: (2022)

Learning with Importance Weighted Variational Inference
von: Daudel, Kamélia, et al.
Veröffentlicht: (2024)

Nonlinear Control of a Quadrotor UAV Using Backstepping-Based Sliding Mode Technique
von: Vo, Thien Nhan
Veröffentlicht: (2025)

Maximizing the Promptness of Metaverse Systems using Edge Computing by Deep Reinforcement Learning
von: Thi-Thanh, Tam Ninh, et al.
Veröffentlicht: (2025)

Distribution Shift in Missing Data Imputation: A Risk-Based Perspective and Importance-Weighted Correction under MAR
von: Shannon, Luke, et al.
Veröffentlicht: (2026)

A Short Survey on Importance Weighting for Machine Learning
von: Kimura, Masanari, et al.
Veröffentlicht: (2024)

Deep Latent Variable Modeling of Physiological Signals
von: Vo, Khuong
Veröffentlicht: (2024)

Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance
von: Decker, Thomas, et al.
Veröffentlicht: (2024)

FedShift: Robust Federated Learning Aggregation Scheme in Resource Constrained Environment via Weight Shifting
von: Seo, Jungwon, et al.
Veröffentlicht: (2024)

Importance Weighted Variational Inference without the Reparameterization Trick
von: Daudel, Kamélia, et al.
Veröffentlicht: (2026)

Dynamical Properties of Tokens in Self-Attention and Effects of Positional Encoding
von: Pham, Duy-Tung, et al.
Veröffentlicht: (2025)

Causal-Aware Generative Adversarial Networks with Reinforcement Learning
von: Nguyen, Tu Anh Hoang, et al.
Veröffentlicht: (2025)

Optimal Algorithms in Linear Regression under Covariate Shift: On the Importance of Precondition
von: Liu, Yuanshi, et al.
Veröffentlicht: (2025)

Improving Diversity in Black-box Few-shot Knowledge Distillation
von: Vo, Tri-Nhan, et al.
Veröffentlicht: (2026)

Synthetic Swarm Mosquito Dataset for Acoustic Classification: A Proof of Concept
von: Dinh, Thai-Duy, et al.
Veröffentlicht: (2025)

Importance Weighted Expectation-Maximization for Protein Sequence Design
von: Song, Zhenqiao, et al.
Veröffentlicht: (2023)

Understanding the Robustness of Multi-modal Contrastive Learning to Distribution Shift
von: Xue, Yihao, et al.
Veröffentlicht: (2023)

Positive Distribution Shift as a Framework for Understanding Tractable Learning
von: Medvedev, Marko, et al.
Veröffentlicht: (2026)

The Importance of Architecture Choice in Deep Learning for Climate Applications
von: Dräger, Simon, et al.
Veröffentlicht: (2024)

The Estimation of Continual Causal Effect for Dataset Shifting Streams
von: Chen, Baining, et al.
Veröffentlicht: (2025)

Importance Weighted Score Matching for Diffusion Samplers with Enhanced Mode Coverage
von: Wang, Chenguang, et al.
Veröffentlicht: (2025)

Towards Understanding Neural Collapse: The Effects of Batch Normalization and Weight Decay
von: Pan, Leyan, et al.
Veröffentlicht: (2023)

Test Where Decisions Matter: Importance-driven Testing for Deep Reinforcement Learning
von: Pranger, Stefan, et al.
Veröffentlicht: (2024)

Understanding the Limits of Deep Tabular Methods with Temporal Shift
von: Cai, Hao-Run, et al.
Veröffentlicht: (2025)

A Survey of Weight Space Learning: Understanding, Representation, and Generation
von: Han, Xiaolong, et al.
Veröffentlicht: (2026)

CTRL Your Shift: Clustered Transfer Residual Learning for Many Small Datasets
von: Jain, Gauri, et al.
Veröffentlicht: (2025)

Partial Domain Adaptation via Importance Sampling-based Shift Correction
von: Guo, Cheng-Jun, et al.
Veröffentlicht: (2025)

Incentive-compatible Bandits: Importance Weighting No More
von: Zimmert, Julian, et al.
Veröffentlicht: (2024)

Shifting the Paradigm: A Diffeomorphism Between Time Series Data Manifolds for Achieving Shift-Invariancy in Deep Learning
von: Demirel, Berken Utku, et al.
Veröffentlicht: (2025)

High-Dimensional Importance-Weighted Information Criteria: Theory and Optimality
von: Cao, Yong-Syun, et al.
Veröffentlicht: (2025)

Weight Updates as Activation Shifts: A Principled Framework for Steering
von: Adila, Dyah, et al.
Veröffentlicht: (2026)

Diverse Image Priors for Black-box Data-free Knowledge Distillation
von: Vo, Tri-Nhan, et al.
Veröffentlicht: (2026)

Exponential Moving Average of Weights in Deep Learning: Dynamics and Benefits
von: Morales-Brotons, Daniel, et al.
Veröffentlicht: (2024)

Cross-Dataset Generalization in Deep Learning
von: Zhang, Xuyu, et al.
Veröffentlicht: (2024)

Weight Clipping for Deep Continual and Reinforcement Learning
von: Elsayed, Mohamed, et al.
Veröffentlicht: (2024)

Weight Clipping for Robust Conformal Inference under Unbounded Covariate Shifts
von: Wang, James, et al.
Veröffentlicht: (2026)