Buchumschlag

Using Kolmogorov-Smirnov Distance for Measuring Distribution Shift in Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tonguz, Ozan K., Taschin, Federico
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Quantifying Distribution Shift in Traffic Signal Control with Histogram-Based GEH Distance
von: Taschin, Federico, et al.
Veröffentlicht: (2025)

The Distribution Shift Problem in Transportation Networks using Reinforcement Learning and AI
von: Taschin, Federico, et al.
Veröffentlicht: (2025)

CFL: On the Use of Characteristic Function Loss for Domain Alignment in Machine Learning
von: Almansour, Abdullah, et al.
Veröffentlicht: (2025)

Measuring Heterogeneity in Machine Learning with Distributed Energy Distance
von: Fan, Mengchen, et al.
Veröffentlicht: (2025)

Kolmogorov-Smirnov GAN
von: Falkiewicz, Maciej, et al.
Veröffentlicht: (2024)

Efficient and Stable Multi-Dimensional Kolmogorov-Smirnov Distance
von: Jacobs, Peter Matthew, et al.
Veröffentlicht: (2025)

Sufficient Invariant Learning for Distribution Shift
von: Kim, Taero, et al.
Veröffentlicht: (2022)

Shift-Invariant Attribute Scoring for Kolmogorov-Arnold Networks via Shapley Value
von: Fan, Wangxuan, et al.
Veröffentlicht: (2025)

Few-shot Cross-country Generalization of Tabular Machine Learning and Foundation Models for Childhood Anemia Prediction under Distribution Shift
von: Brima, Yusuf, et al.
Veröffentlicht: (2026)

Addressing Label Shift in Distributed Learning via Entropy Regularization
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2025)

Graph Data Augmentation with Contrastive Learning on Covariate Distribution Shift
von: Zeng, Fanlong, et al.
Veröffentlicht: (2025)

Spectral Invariant Learning for Dynamic Graphs under Distribution Shifts
von: Zhang, Zeyang, et al.
Veröffentlicht: (2024)

SurvKAN: A Fully Parametric Survival Model Based on Kolmogorov-Arnold Networks
von: Mastroleo, Marina, et al.
Veröffentlicht: (2026)

Kolmogorov-Arnold Network for Online Reinforcement Learning
von: Kich, Victor Augusto, et al.
Veröffentlicht: (2024)

Learning Stable Predictors from Weak Supervision under Distribution Shift
von: Shoeibi, Mehrdad, et al.
Veröffentlicht: (2026)

Utilizing Class Separation Distance for the Evaluation of Corruption Robustness of Machine Learning Classifiers
von: Siedel, Georg, et al.
Veröffentlicht: (2022)

Graphs Generalization under Distribution Shifts
von: Tian, Qin, et al.
Veröffentlicht: (2024)

Low Tensor-Rank Adaptation of Kolmogorov--Arnold Networks
von: Gao, Yihang, et al.
Veröffentlicht: (2025)

A Graph Meta-Network for Learning on Kolmogorov-Arnold Networks
von: Bar-Shalom, Guy, et al.
Veröffentlicht: (2026)

Out-of-Distribution Detection using Counterfactual Distance
von: Stoica, Maria, et al.
Veröffentlicht: (2025)

Weak-to-Strong Generalization under Distribution Shifts
von: Jeon, Myeongho, et al.
Veröffentlicht: (2025)

Handling Distribution Shifts on Graphs: An Invariance Perspective
von: Wu, Qitian, et al.
Veröffentlicht: (2022)

When Are Learning Biases Equivalent? A Unifying Framework for Fairness, Robustness, and Distribution Shift
von: Mehta, Sushant
Veröffentlicht: (2025)

GeSS: Benchmarking Geometric Deep Learning under Scientific Applications with Distribution Shifts
von: Zou, Deyu, et al.
Veröffentlicht: (2023)

Memory-enhanced Invariant Prompt Learning for Urban Flow Prediction under Distribution Shifts
von: Jiang, Haiyang, et al.
Veröffentlicht: (2024)

Soft Prompts for Evaluation: Measuring Conditional Distance of Capabilities
von: Nordby, Ross
Veröffentlicht: (2025)

Detection of Disengagement from Voluntary Quizzes: An Explainable Machine Learning Approach in Higher Distance Education
von: Parsaeifard, Behnam, et al.
Veröffentlicht: (2025)

Validity Learning on Failures: Mitigating the Distribution Shift in Autonomous Vehicle Planning
von: Arasteh, Fazel, et al.
Veröffentlicht: (2024)

Acceleration of Grokking in Learning Arithmetic Operations via Kolmogorov-Arnold Representation
von: Park, Yeachan, et al.
Veröffentlicht: (2024)

Assessing the Impact of Distribution Shift on Reinforcement Learning Performance
von: Fujimoto, Ted, et al.
Veröffentlicht: (2024)

From Distance to Direction: Structure-aware Label-specific Feature Fusion for Label Distribution Learning
von: Xu, Suping, et al.
Veröffentlicht: (2025)

Kolmogorov-Arnold Fourier Networks
von: Zhang, Jusheng, et al.
Veröffentlicht: (2025)

Clifford Kolmogorov-Arnold Networks
von: Wolff, Matthias, et al.
Veröffentlicht: (2026)

Dependable Distributed Training of Compressed Machine Learning Models
von: Malandrino, Francesco, et al.
Veröffentlicht: (2024)

Domain-invariant Clinical Representation Learning by Bridging Data Distribution Shift across EMR Datasets
von: Zhang, Zhongji, et al.
Veröffentlicht: (2023)

Dynamic Mixture of Experts Against Severe Distribution Shifts
von: Kim, Donghu
Veröffentlicht: (2025)

Alleviating Structural Distribution Shift in Graph Anomaly Detection
von: Gao, Yuan, et al.
Veröffentlicht: (2024)

Measuring Time-Series Dataset Similarity using Wasserstein Distance
von: Chen, Hongjie, et al.
Veröffentlicht: (2025)

Oversmoothing, Oversquashing, Heterophily, Long-Range, and more: Demystifying Common Beliefs in Graph Machine Learning
von: Arnaiz-Rodriguez, Adrian, et al.
Veröffentlicht: (2025)

CIKAN: Constraint Informed Kolmogorov-Arnold Networks for Autonomous Spacecraft Rendezvous using Time Shift Governor
von: Kim, Taehyeun, et al.
Veröffentlicht: (2024)