新的Gram行列式分数在无真实标签的情况下评估数据集可靠性

研究人员引入了一种名为Gram行列式分数的新颖方法，该方法无需真实标签数据即可评估数据集的可靠性。该分数衡量了代表观测数据和实验结果经验分布的向量所跨越的体积。在合成数据、CIFAR-10嵌入和真实就业数据上的实验表明，Gram行列式分数能够有效地捕捉各种观测过程中的数据质量，并在实验的具体情况无关的情况下保持可靠性排名。 AI

影响 为在没有真实标签的情况下评估AI模型训练中的数据质量提供了一个新指标，有可能提高模型的鲁棒性。

排序理由 介绍数据集新评分方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• CatalyzeX Code Finder for Papers
• CIFAR-10
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Gram determinant score
• Hugging Face
• IArxiv Recommender
• Litmaps
• ScienceCast
• scite Smart Citations
• Shi Feng

• 论文
• 其他

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