指导数据分配以实现稳健的子群体泛化

原文：Guiding Data Allocation for Robust Subpopulation Generalization

机器学习模型通常在训练数据中实现较高的平均准确度，但由于子群体的变化而在测试数据上表现不佳。常见的以数据为中心的解决方案是强制平衡子组比例，但完全平衡可能成本高昂、不可行，而且并不总是必要的。在这项工作中，我们研究平衡训练数据是否是鲁棒子群体的唯一最佳配置

正文由本站服务器抓取保存（已自动过滤广告、推荐位与追踪图片），排版与原站可能不同；版权归原站所有。