一篇新的研究论文探讨了模型选择所需的标签数量，特别关注了广义风险覆盖曲线下面积（AUGRC）。该研究引入了一个预标签下界来识别标签预算不足的情况，并提出了一个覆盖线性规划来确定明确选择获胜模型所需的最小标签数。在九个数据集上的比较结果表明，不一致标签可以解决准确性选择问题，但不能解决 AUGRC 选择问题，平均证书大小为标签的 56-57%。对预训练图像分类器的进一步实验表明，即使有 AUGRC 容差，置信度分数选择也需要大部分标签。 AI
影响 为优化机器学习中的数据标记策略提供了理论框架和经验证据。
排序理由 一篇发表在 arXiv 上的研究论文，详细介绍了一种新的模型选择方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- AUGRC
- Bernoulli
- Hugging Face
- machine learning
- ScienceCast
- Selective prediction of interaction sites in protein structures with THEMATICS.
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
