English(EN) Uncertainty-Aware Learning from Multi-Expert Interval Targets

新的机器学习方法处理具有区间目标的专家分歧

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-03 04:00

研究人员开发了一种新颖的机器学习方法，用于处理表现出分歧或模糊性的专家标签，特别是当专家提供区间目标而不是精确值时。该方法保留了个体专家的区间，并使用具有 Cramér 距离目标的 Beta 分布混合模型来对其进行建模。它还将预测不确定性分解为组件内不确定性、组件间不确定性和模型不确定性，并通过称为分解匹配的过程将这些组件与它们各自的标签端来源对齐。在海冰浓度数据测试中，与硬标签相比，该模型实现了 31% 的平均绝对误差降低，并超越了现有的聚合、区间分布和区间回归基线。 AI

影响这项研究为在专家数据本质上不确定或多样的情况下训练模型提供了一种更稳健的方法，有可能提高在具有主观或不精确专家标签的领域的性能。

排序理由详细介绍新机器学习方法的学术论文。[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 →

本文如何被排名

Signal score: 6 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Samira Alkaee Taleghan, Younghyun Koo, Andrew P. Barrett, Farnoush Banaei-Kashani · 2026-10-03 04:00

来自多专家区间目标的“不确定性感知学习”

arXiv:2610.00102v1 Announce Type: new Abstract: Many machine learning (ML) applications rely on expert labels, and qualified experts may provide different but plausible interpretations of the same observation. Such variation across expert labels may reflect genuine disagreement o…

本文如何被排名

报道来源 [1]

来自多专家区间目标的“不确定性感知学习”

相关实体

相关话题