新研究论文质疑机器学习基准测试的局限性

一篇新发表在arXiv上的研究论文探讨了机器学习基准测试中时间聚合学习的局限性。该研究题为“标签定义时间尺度：时间聚合学习的特质-状态限制”，提出基准测试中明显的性能上限可能源于数据采集协议而非模型固有的能力。研究引入了一种将标签方差分解为稳定特质和相关状态成分的方法，解释了为什么短观测窗口仍然可以保留可预测性。它还推导了任务相关的有效时间跨度，区分了均值标签和占用时间标签，并强调了时间上分散的观测比单一时间点的重复片段更能有效地提高状态可解释性。 AI

影响 挑战了对当前机器学习基准测试结果的解读，并提出了评估模型能力的新协议。

排序理由 发表在arXiv上的学术论文，详细介绍了理解机器学习基准测试局限性的新理论框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gaussian process
• Gotit.pub
• Hugging Face
• Influence Flower
• ScienceCast

• 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 →