California Digital Library
PulseAugur coverage of California Digital Library — every cluster mentioning California Digital Library across labs, papers, and developer communities, ranked by signal.
-
新的可校准消歧损失提高了 AI 分类器的可靠性
研究人员引入了一种名为可校准消歧损失（CDL）的新方法，以提高多实例部分标签学习（MIPL）任务中分类器的可靠性。这种即插即用的损失函数通过调整具有候选者与竞争者预测裕量的消歧目标来提高分类准确性和校准。该方法在理论上进行了分析，并通过在基准数据集和真实世界数据集上的实验进行了验证，提供了两种专注于候选者级别分离或候选者与非候选者抑制的变体，在预期校准误差方面显示出显著的改进。
-
新框架采用神经符号方法自动生成解析几何问题
研究人员开发了FormalAnalyticGeo，一个旨在自动生成多模态解析几何问题的新型框架。该系统采用神经符号方法，使用一种称为CDL的形式语言和符号距离场引擎来确保几何图形渲染的精度。该框架包含问题生成、形式化、测量和质量验证等组件，形成了一个闭环，无需人工标注。该过程产生了AnalyticGeo7K数据集，其中包含超过7000个经过验证的多模态问题，并配有文本、图示和形式化标注，实现了0.70%的中位数真实相对误差。
-
新框架利用AI自动生成解析几何问题 · 跟踪2个来源
研究人员开发了FormalAnalyticGeo，一个旨在自动生成多模态解析几何问题的新型框架。该系统采用神经符号方法，使用一种称为CDL的形式语言和Signed Distance Field (SDF)引擎进行精确的图形渲染。该框架包括问题生成、形式化、答案测量和质量验证等组件，形成了一个闭环，无需手动标注。这一过程产生了AnalyticGeo7K，一个包含7000多个已验证问题及其对应的文本、图形和形式化标注的数据集，在生成解决方…