研究人员推出了一种名为集成多样性优化（EDO）的新框架，旨在处理标注者分歧普遍存在的主观自然语言处理任务。EDO通过统一的可微分目标来优化集成权重和校准，利用Gumbel-Softmax松弛和有符号多样性正则化器来管理标注者分歧。在四个基准测试上的实验表明，与现有方法相比，EDO显著提高了概率校准，并降低了交叉熵和Brier分数，同时保持了具有竞争力的F1分数。 AI
影响 这项研究提供了一种新颖的方法，通过更好地处理标注者分歧来提高模型在主观任务上的性能，有可能带来更鲁棒的自然语言处理应用。
排序理由 该集群包含一篇详细介绍机器学习新方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.08493v1 Announce Type: cross Abstract: Subjective NLP tasks often exhibit systematic annotator disagreement, requiring models that represent uncertainty rather than collapse it. We introduce Ensemble Diversity Optimization (EDO), a prediction-space framework that joint…
Subjective NLP tasks often exhibit systematic annotator disagreement, requiring models that represent uncertainty rather than collapse it. We introduce Ensemble Diversity Optimization (EDO), a prediction-space framework that jointly optimizes ensemble weights, effective cardinali…