两篇新的arXiv论文探讨了减少在线分类任务（特别是大型语言模型）中人工干预的方法。第一篇论文介绍了保守基于凸包的分类器（CHC）和广义基于凸包的分类器（GHC），通过维护已标记数据的凸包来最小化主动学习框架中的遗憾。第二篇论文提出了一种用于医疗筛查中安全在线分类的无遗憾方法，侧重于在遵守误差约束的同时最小化昂贵的测试。 AI
影响 这些论文为减少AI系统人工反馈成本提供了理论进展，可能影响模型训练和微调的效率。
排序理由 两篇发表在arXiv上的学术论文，详细介绍了在线分类和主动学习的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2510.23557v2 Announce Type: replace-cross Abstract: Training or fine-tuning large language model (LLM)-based systems often requires costly human feedback, yet there is limited understanding of how to minimize such intervention while maintaining strong error guarantees. We s…
arXiv:2510.01020v2 Announce Type: replace-cross Abstract: We study sequential testing for a binary disease outcome when risk follows an unknown logistic model. At each round, the decision maker may either pay for a test revealing the true label or predict the outcome based on pat…