Apple ML Research：标注需求因评估指标而异

Apple Machine Learning Research 发表了一篇论文，详细介绍了一种名为“Metric-Dependent Annotation Saturation”（依赖于指标的标注饱和度）的方法。该方法提出，从标签分布中捕获有意义信号所需的标注者数量取决于所使用的具体评估指标。例如，在自然语言推理（NLI）模型中，实现熵相关性收敛比实现分布匹配需要更多的标注者。研究还强调，软标签（代表细微的决策边界）比独热标签提供更好的正则化和泛化能力，尤其是在处理有噪声的标注时。 AI

影响 建议根据评估指标优化标注预算，以改进模型训练。

排序理由 Apple ML Research部门发表的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 Apple Machine Learning Research 阅读 →

• Apple Machine Learning Research
• ChaosNLI
• DeBERTa
• Guneet Kohli
• Metric-Dependent Annotation Saturation for Learning from Label Distributions
• RoBERTa

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →