Object Importance

Это метод, который позволяет определить, как каждая запись трейна влияет на метрику.
Другими словами, он позволяет найти и избавится от бесполезных записей (шум или выбросы, например).

Этот метод хорошо реализован в Catboost:

train_pool = Pool(X_train, y_train)
val_pool = Pool(X_val, y_val)
cb = CatBoost({'eval_metric': 'RMSE'})
cb.fit(train_pool)
indices, scores = cb.get_object_importance(
val_pool,
train_pool,
importance_values_sign='Positive')

В функции доступны три метода расчета: SinglePoint (быстрый, но самый неточный), TopKLeaves ( помедленнее и поточнее) и AllPoints (долгий и самый точный).

Отрицательные значения означают, что строка уменьшает значение метрики, а положительные - что увеличивает. В зависимости от метрики нужно обратить внимание на значения определенного знака. После этого можно попробовать выкинуть плохо влияющие записи и переобучить модель.

Вот здесь есть еще туториал по использованию.

😻 #train #python

Нашли аи-тул для генерации 360-градусных сцен с помощью эскиза. Все, что вы нарисуете, доточится до правильных пропорций, на это наложатся структуры и освещение и вуаля – готовый скайбокс. Можно даже заказать доступ к API (вдруг решите уйти из даты в геймдев).

Кстати, работает все это просто на модифицированной Stable Diffusion.

Вот тут можно поиграться.

😻 #news

И снова доброе субботнее 🌸

😻 #memes

ML Model Watermarking

SAP выкатили инструмент для защиты моделей машинного обучения от «заимствований». Суть – добавление водяных знаков в веса модели на основных фреймворках: Scikit-learn, PyTorch, HuggingFace.

Авторы утверждают, что добавление водяных знаков не сильно влияет на точность модели, зато позволит доказать владение. Вопрос в том, как вотермарки будут выдерживать файнтюнинг.

https://github.com/SAP/ml-model-watermarking

😻 #news #NN

Веселенькая, наглядная и прозрачная визуализации того, как обучаются RL агенты - AI Teaches Itself to Walk 🤖

https://youtu.be/L_4BPjLBF4E

😻 #advice