研究者提出用核岭回归与mRMR改进高效基准评测
热点事件持续更新
研究者提出用核岭回归与mRMR改进高效基准评测
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Sam Bowyer、Acyr Locatelli 和 Kris Cao 将高效基准测试重构为带特征选择的多元回归问题，提出在预测阶段改用核岭回归（kernel ridge regression），并配合最小冗余最大相关（mRMR）算法挑选题目子集。 研究者称，该方法在多种基准的二元与连续指标上稳定降低 MAE 和 RMSE，并提升 Spearman ρ 与 Kendall τ 排序相关性。上述效果为作者在论文中的报告，尚待独立验证。
AI 根据报道生成 · 52 分钟前更新
最新进展10月26日 12:00
高效基准测试即特征选择与多元回归：用核岭回归和 mRMR 改进 LLM 评测报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv cs.CL高效基准测试即特征选择与多元回归：用核岭回归和 mRMR 改进 LLM 评测
研究者将高效基准测试重构为带特征选择的多元回归问题，仅需在预测阶段改用核岭回归（kernel ridge regression）即可显著改进现有方法。配合最小冗余最大相关（mRMR）算法挑选题目子集，可在多种基准的二元与连续指标上稳定降低 MAE 和 RMSE，并提升 Spearman ρ 与 Kendall τ 排序相关性。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。