跳到正文
热点事件持续更新

研究提出长尾多标签分类标签依赖预训练估计量

1 篇报道1 个报道来源22 小时前更新

先了解这件事

AI 综述

Christoffer Löffler 提交论文,提出一种在训练前即可计算的训练标签统计量,用于界定长尾多标签分类中报告的召回率能比“无同伴”召回高出多少,并给出判读规则:只有无同伴召回上升时,依赖下降才算数。 在 23 个语料库、7 种训练目标和五类标签相关机制上,6 个可定义该指标的语料库中无同伴召回均不达标,最多 18.4% 的尾部真阳性在无同伴召回率下会消失。现有长尾目标均未降低这种依赖,但模型架构会改变它:尾部得分由其他标签预测算出的模型依赖显著更强。

AI 根据报道生成 · 14 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv cs.CL
    长尾多标签分类中的标签依赖:尾部标签的召回有多少靠“同伴”撑起

    研究提出一种训练前即可计算的统计量,用于界定长尾多标签分类中报告的召回率能比“无同伴”召回高出多少。在 23 个语料库、7 种训练目标和五类标签相关机制上,所有 6 个可定义该指标的语料库中无同伴召回均不达标,最多 18.4% 的尾部真阳性在无同伴召回率下会消失。现有长尾目标均未降低这种依赖,但模型架构会改变它:尾部得分由其他标签预测算出的模型依赖显著更强。

本事件热度走势

可比范围当前
5
可比范围峰值
811月19日 22:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。