Zobrazeno 1 - 10
of 39 611
pro vyhledávání: '"Natural distribution"'
Autor:
Smith-Pardo, Allan H.1 (AUTHOR) allan.h.smith-pardo@usda.gov, Altamiranda-Saavedra, Mariano2 (AUTHOR), Polly, P. David3,4 (AUTHOR)
Publikováno v:
Frontiers in Insect Science. 2024, p1-11. 11p.
Autor:
Pal, Ankit
Publikováno v:
36th Conference on Neural Information Processing Systems, Robustness in Sequence Modeling (NeurIPS 2022)
This paper introduces a new testbed CLIFT (Clinical Shift) for the clinical domain Question-answering task. The testbed includes 7.5k high-quality question answering samples to provide a diverse and reliable benchmark. We performed a comprehensive ex
Externí odkaz:
http://arxiv.org/abs/2310.13146
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Practical object detection application can lose its effectiveness on image inputs with natural distribution shifts. This problem leads the research community to pay more attention on the robustness of detectors under Out-Of-Distribution (OOD) inputs.
Externí odkaz:
http://arxiv.org/abs/2307.12730
Autor:
Conor Waldock, Bernhard Wegscheider, Dario Josi, Bárbara Borges Calegari, Jakob Brodersen, Luiz Jardim de Queiroz, Ole Seehausen
Publikováno v:
Nature Communications, Vol 15, Iss 1, Pp 1-15 (2024)
Abstract It remains unknown how species’ populations across their geographic range are constrained by multiple coincident natural and anthropogenic environmental gradients. Conservation actions are likely undermined without this knowledge because t
Externí odkaz:
https://doaj.org/article/10d850d2ea5849da8b76236d8d67b13e
Robustness to natural distribution shifts has seen remarkable progress thanks to recent pre-training strategies combined with better fine-tuning methods. However, such fine-tuning assumes access to large amounts of labelled data, and the extent to wh
Externí odkaz:
http://arxiv.org/abs/2304.11263
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Journal of Geography / Coğrafya Dergisi. 2024, Issue 48, p33-47. 15p.
Adversarial training is widely used to make classifiers robust to a specific threat or adversary, such as $\ell_p$-norm bounded perturbations of a given $p$-norm. However, existing methods for training classifiers robust to multiple threats require k
Externí odkaz:
http://arxiv.org/abs/2302.10164