.png){kind=icon}
返回
Black-Box Test-Time Ensemble
.png){kind=icon}
PRE
AI
DOI：10.1109/MCI.2025.3624194.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
隐私考量在现代机器学习模型部署中已变得愈发关键。为保护敏感数据并降低存储或传输成本，许多服务提供商通过API提供训练好的模型，从而有效构建了隐私保护的“黑箱”模型。然而，评估此类模型的性能仍是一项重大挑战，尤其是在下游任务缺乏标注数据的情况下。本文提出了一种针对黑箱测试时集成的无监督组合方法。通过仅利用模型在未标注测试数据上的预测结果，所提方法可估计各基分类器的可靠性，并构建一个偏向更准确分类器的加权集成。该方法兼容传统机器学习分类器与现代大型语言模型，并适用于广泛场景，包括二分类与多分类、硬输出与软输出以及离线与在线设置。在13个真实世界的文本、图像及时间序列数据集上的大量实验验证了该方法的有效性与灵活性，其表现始终优于多数投票及其他组合方法。值得注意的是，所提方法无需超参数且计算高效，非常适合需要在线实时推理的应用场景。
Keyword:
Time series analysis
Closed box
Semisupervised learning
Rendering (computer graphics)
Reliability engineering
Data models
Robustness
Real-time systems
Computational efficiency
Ensemble learning
期刊
IF:
11.2
论文数:
620
被引数:
3.1K
机构
引用论文
.png){kind=icon}
Unbiased Metric Learning: On the Utilization of Multiple Datasets and Web Images for Softening Bias
PREAI
分享收藏Multimodal Sentiment Intensity Analysis in Videos: Facial Gestures and Verbal Messages视频中的多模态情感强度分析: 面部手势和言语信息
PREAI
分享收藏分享收藏
查看更多内容