标签
本文分析了在模型训练中，如何通过局部化人工校正中的编辑来放大相对选择偏差，并提供了来自机器翻译实验的理论见解和实证证据。
本文提出了一种用于无标记-无标记学习的重要性加权方法，以适应分布偏移，适用于各种弱监督问题，且无需对偏移类型做出假设。
本文介绍了赫克曼校正的认知不确定性，以解决机器学习中不可观测变量的选择问题，展示了当选择依赖于与结果相关的不可观测变量时，重要性加权会失效。该方法在受控实验和真实数据上恢复了校准性能，优于标准的不确定性量化基线。
本文研究了在线蒸馏中的位置偏差现象，发现早期token提供更有用的监督信号，并提出重要性加权IW-OPD方法来改善OPD训练。
本文提出DRIFT框架，该框架结合离线轨迹与重要性加权监督微调，高效实现与强化学习相当的多轮交互学习性能。
TILT提出了一种新颖的目标函数，用于在协变量偏移下进行无监督域适应，该函数对未标记目标数据上的辅助组件施加惩罚，隐式实现了具有有界估计量的自定位重要性加权。理论保证和在偏移CIFAR-100上的实验表明，目标域性能优于基线方法。