Enhancing Fitness Evaluation in Genetic Algorithm-Based Architecture Search for AI-Aided Financial Regulation
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
AI-aided Financial Regulation (AIFR) is a practical and significant task, but current solutions have yet to be optimized with customized model designs. Given the privacy concerns surrounding financial data, we aim to employ Neural Architecture Search (NAS) to help non-expert end-users automatically design architectures. The genetic algorithm-based NAS stands out due to its relatively low hardware requirements and robust theoretical foundation. However, constrained by limited data, the model would undergo architecture search on a general regulatory dataset while being deployed on private one owned by each organization. The data distribution of the private dataset may vary from that of public datasets, giving rise to the challenge of data domain shift. To alleviate this problem, we propose a novel fitness evaluation method. When scoring the fitness, we take into account both the architecture’s validation accuracy and its potential for generalization by the metric of loss landscape. In addition, we improve the training paradigm for evaluation, utilizing a prototype-based training paradigm based on embedding distances for classification, allowing for rapid domain adaptation and improve performance on the distribution-shift data. We further introduce GA-TextCNN, a GA-based NAS framework specifically designed for text recognition, enhancing its suitability for text data within AIFR tasks. To demonstrate the effectiveness of our approach, we collect two related datasets and evaluate our method on it. The extensive experiments demonstrate that our method significantly improves baseline models and is effective in solving the AIFR problem.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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