PulseAugur
中
实时 07:58:00
English(EN) Distributions In, Distributions Out: The Case for Soft-Label Training

软标签训练通过使用完整的标注分布来提高分类器准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员提出了一种名为软标签训练的新型监督分类器训练方法，该方法利用标注者标签的完整分布，而不是单一的多数投票。这种方法对于具有内在歧义的任务特别有益，例如自然语言推理或礼貌检测。跨三个数据集的实验表明，软标签训练的准确性可与硬标签相媲美或超越硬标签，显著减少与标注者分布的偏差，并产生反映人类分歧的不确定性模型。 AI

影响 这种方法可能导致在涉及主观或模糊人类判断的任务中，AI模型更加细致和准确。

排序理由 该集群包含一篇详细介绍监督分类器新训练方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

软标签训练通过使用完整的标注分布来提高分类器准确性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Agamdeep Singh, Ashish Tiwari, Hosein Hasanbeig, Priyanshu Gupta ·

    分布进，分布出：软标签训练的理由

    arXiv:2511.14117v2 Announce Type: replace Abstract: Supervised classifiers output a distribution over classes but are typically trained against a single label obtained by collapsing multiple annotators into a majority vote. On tasks where annotator disagreement reflects genuine a…

相关实体

相关话题