Buchumschlag

DeconDTN-Toolkit: A Library for Evaluation and Enhancement of Robustness to Provenance Shift

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tan, Yongsen, Sheng, Zhecheng, Ding, Xiruo, Pakhomov, Serguei V. S., Cohen, Trevor
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

When Prompts Interact: Assessing Prompt Arithmetic for Deconfounding under Distribution Shift
von: Sheng, Zhecheng, et al.
Veröffentlicht: (2026)

Mitigating Confounding in Speech-Based Dementia Detection through Weight Masking
von: Sheng, Zhecheng, et al.
Veröffentlicht: (2025)

Too Big to Fail: Larger Language Models are Disproportionately Resilient to Induction of Dementia-Related Linguistic Anomalies
von: Li, Changye, et al.
Veröffentlicht: (2024)

"Is There Anything Else?'': Examining Administrator Influence on Linguistic Features from the Cookie Theft Picture Description Cognitive Test
von: Li, Changye, et al.
Veröffentlicht: (2025)

Reexamining Racial Disparities in Automatic Speech Recognition Performance: The Role of Confounding by Provenance
von: Li, Changye, et al.
Veröffentlicht: (2024)

DTN-COMET: A Comprehensive Operational Metrics Evaluation Toolkit for DTN
von: Nöthlich, Tobias, et al.
Veröffentlicht: (2025)

Toward Unifying Group Fairness Evaluation from a Sparsity Perspective
von: Sheng, Zhecheng, et al.
Veröffentlicht: (2025)

Useful Blunders: Can Automated Speech Recognition Errors Improve Downstream Dementia Classification?
von: Li, Changye, et al.
Veröffentlicht: (2024)

DTN: Deep Multiple Task-specific Feature Interactions Network for Multi-Task Recommendation
von: Bi, Yaowen, et al.
Veröffentlicht: (2024)

Anomaly Detection via Mean Shift Density Enhancement
von: Kar, Pritam, et al.
Veröffentlicht: (2026)

Time-Efficient Evaluation and Enhancement of Adversarial Robustness in Deep Neural Networks
von: Lin, Runqi
Veröffentlicht: (2025)

TrustGLM: Evaluating the Robustness of GraphLLMs Against Prompt, Text, and Structure Attacks
von: Zhang, Qihai, et al.
Veröffentlicht: (2025)

Distributionally Robust Policy Evaluation under General Covariate Shift in Contextual Bandits
von: Guo, Yihong, et al.
Veröffentlicht: (2024)

Certifiably Robust Model Evaluation in Federated Learning under Meta-Distributional Shifts
von: Najafi, Amir, et al.
Veröffentlicht: (2024)

Evaluating and Improving the Robustness of Speech Command Recognition Models to Noise and Distribution Shifts
von: Baranger, Anaïs, et al.
Veröffentlicht: (2025)

Attention on flow control: transformer-based reinforcement learning for lift regulation in highly disturbed flows
von: Liu, Zhecheng, et al.
Veröffentlicht: (2025)

PIDSMaker: Building and Evaluating Provenance-based Intrusion Detection Systems
von: Bilot, Tristan, et al.
Veröffentlicht: (2026)

Ask Your Distribution Shift if Pre-Training is Right for You
von: Cohen-Wang, Benjamin, et al.
Veröffentlicht: (2024)

Evaluating Assurance Cases as Text-Attributed Graphs for Structure and Provenance Analysis
von: Ikhwantri, Fariz, et al.
Veröffentlicht: (2026)

Quanda: An Interpretability Toolkit for Training Data Attribution Evaluation and Beyond
von: Bareeva, Dilyara, et al.
Veröffentlicht: (2024)

FROC: A Unified Framework with Risk-Optimized Control for Machine Unlearning in LLMs
von: Goh, Si Qi, et al.
Veröffentlicht: (2025)

Venom: A PyTorch Generative Modeling Toolkit
von: Yan, Liang
Veröffentlicht: (2026)

Model-Based Reinforcement Learning for Control of Strongly-Disturbed Unsteady Aerodynamic Flows
von: Liu, Zhecheng, et al.
Veröffentlicht: (2024)

Understanding Hardness of Vision-Language Compositionality from A Token-level Causal Lens
von: Chen, Ziliang, et al.
Veröffentlicht: (2025)

U-TOE: Universal TinyML On-board Evaluation Toolkit for Low-Power IoT
von: Huang, Zhaolan, et al.
Veröffentlicht: (2023)

FlexMol: A Flexible Toolkit for Benchmarking Molecular Relational Learning
von: Liu, Sizhe, et al.
Veröffentlicht: (2024)

Distributionally Robust Coreset Selection under Covariate Shift
von: Tanaka, Tomonari, et al.
Veröffentlicht: (2025)

Considerations for Distribution Shift Robustness of Diagnostic Models in Healthcare
von: Blaas, Arno, et al.
Veröffentlicht: (2024)

An Analysis of Model Robustness across Concurrent Distribution Shifts
von: Jeon, Myeongho, et al.
Veröffentlicht: (2025)

Provable Model Provenance Set for Large Language Models
von: Qiu, Xiaoqi, et al.
Veröffentlicht: (2026)

Embedding Provenance in Computer Vision Datasets with JSON-LD
von: Vonderhaar, Lynn, et al.
Veröffentlicht: (2026)

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

AI Toolkit: Libraries and Essays for Exploring the Technology and Ethics of AI
von: Ho, Levin, et al.
Veröffentlicht: (2025)

A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation
von: Zhang, Kexin, et al.
Veröffentlicht: (2024)

MXtalTools: A Toolkit for Machine Learning on Molecular Crystals
von: Kilgour, Michael, et al.
Veröffentlicht: (2025)

RAMSeS: Robust and Adaptive Model Selection for Time-Series Anomaly Detection Algorithms
von: Abdelmaksoud, Mohamed, et al.
Veröffentlicht: (2026)

Safe Distributionally Robust Feature Selection under Covariate Shift
von: Hanada, Hiroyuki, et al.
Veröffentlicht: (2026)

Distributionally Robust Safe Sample Elimination under Covariate Shift
von: Hanada, Hiroyuki, et al.
Veröffentlicht: (2024)

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

Verified Training for Counterfactual Explanation Robustness under Data Shift
von: Meyer, Anna P., et al.
Veröffentlicht: (2024)