A New Smooth Approximation to the Zero One Loss with a Probabilistic\n Interpretation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We examine a new form of smooth approximation to the zero one loss in which\nlearning is performed using a reformulation of the widely used logistic\nfunction. Our approach is based on using the posterior mean of a novel\ngeneralized Beta-Bernoulli formulation. This leads to a generalized logistic\nfunction that approximates the zero one loss, but retains a probabilistic\nformulation conferring a number of useful properties. The approach is easily\ngeneralized to kernel logistic regression and easily integrated into methods\nfor structured prediction. We present experiments in which we learn such models\nusing an optimization method consisting of a combination of gradient descent\nand coordinate descent using localized grid search so as to escape from local\nminima. Our experiments indicate that optimization quality is improved when\nlearning meta-parameters are themselves optimized using a validation set. Our\nexperiments show improved performance relative to widely used logistic and\nhinge loss methods on a wide variety of problems ranging from standard UC\nIrvine and libSVM evaluation datasets to product review predictions and a\nvisual information extraction task. We observe that the approach: 1) is more\nrobust to outliers compared to the logistic and hinge losses; 2) outperforms\ncomparable logistic and max margin models on larger scale benchmark problems;\n3) when combined with Gaussian- Laplacian mixture prior on parameters the\nkernelized version of our formulation yields sparser solutions than Support\nVector Machine classifiers; and 4) when integrated into a probabilistic\nstructured prediction technique our approach provides more accurate\nprobabilities yielding improved inference and increasing information extraction\nperformance.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle