Minimizing Model Misclassification Using Regularized Loss Interpretability
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
In the field of machine learning, the increasing use of complex deep learning models like Deep Neural Networks is leading to a decrease in the transparency of decision-making processes. This presents significant challenges, especially in sensitive applications where specific misclassifications can have serious consequences. The complexity of these models makes it challenging to target specific enhancements, such as rectifying misclassifications within a subgroup of the dataset or improving the classification rate of a particular label group. Achieving these improvements often necessitates extensive testing with the hope of attaining the desired results. This paper presents an innovative approach to proactively reduce misclassifications between specific pairs of labels in multiclass scenarios with already trained models and with minimal decrease in overall performance. The focus on already trained models is to reduce testing and retraining costs, enabling teams to efficiently and affordably audit their models and enhance robustness and fairness before deploying them into production. By modifying loss functions to assign penalties to undesirable misclassifications, our approach directs the optimization process to prioritize the reduction of specific critical errors. Our experimental results demonstrate the effectiveness of this strategy in reducing targeted misclassifications while maintaining or improving overall model performance metrics such as accuracy, precision, and F1 score. This study contributes to the field of Explainable Artificial Intelligence (XAI) by offering a cheap, fast and practical tool for embedding fairness and interpretability directly into the model training process, paving the way for more transparent and accountable AI systems.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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