新框架绘制协变量偏移下的选择性预测风险图

研究人员开发了一个名为 Floor Certification Map 的新框架，以解决协变量偏移下的选择性预测问题。该框架帮助操作员在保持低错误率（$\alpha$）的同时，确保预测的最小覆盖率（$eta$）。该方法涉及分析标记源数据和未标记目标样本中的风险，并对不同的模型（Model-B、Model-A、Model-B'）进行了理论推导，并在 SQuAD-to-NewsQA 数据集上进行了实证验证。 AI

影响 引入了一个用于控制预测风险和覆盖率的理论框架，有可能在不确定条件下部署的 AI 系统中提高可靠性。

排序理由 该集群包含一篇研究论文，详细介绍了选择性预测的新的理论框架和实证结果。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• alphaXiv
• CatalyzeX Code Finder for Papers
• DagsHub
• Floor Certification Map
• Gotit.pub
• Hugging Face
• Model A
• Model B
• ScienceCast
• SQuAD-to-NewsQA

• 论文
• 安全

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