文章预览
随着机器学习系统逐渐成为我们日常生活的组成部分，尤其是基础模型的显著进步，我们必须评估它们的可信性、公平性，并探索改进这些关键方面的方法。本论文探讨了机器学习模型性能、鲁棒性和公平性的测量与提升。此外，我们还研究了这些系统在新应用领域的设计和部署，并将这些指标作为重要目标。 本论文旨在使机器学习在总体上变得更加可信和强大。第一个主题是评估机器学习模型的鲁棒性和公平性及其改进策略。我们的方法结合了分布鲁棒优化（DRO）和人类难以察觉的对抗攻击，同时提高了模型的鲁棒性和公平性。通过分析机器学习系统的鲁棒性和公平性，我们直观地将机器感知与人类感知更接近。除了鲁棒性和公平性之外，我们还研究了梯度流方法，以缓解数据稀缺问题，并在少样本学习环境中提高分类系统的性能。我们证明了
………………………………
