ATLAS按任务影响优化标签审计
热点事件持续更新
ATLAS按任务影响优化标签审计
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
Fangyuan Lin、Noah Krever、Jakub Černý和Lily Xu提交了ATLAS框架论文，提出按标签不确定性及修正对下游评分的影响安排审计优先级；论文称，该方法在给定基准上达到目标精度时减少了审计次数，但效果取决于评分类型和数据集。 对线性评分（如错标率），在肯尼亚生物多样性数据和CIFAR-10N基准上，以±2个百分点精度估计总体标签错误率时，ATLAS较随机抽样分别少审计24%和11%。对非线性的Hill-Shannon多样性评分，论文通过线性包络转换为一组线性评分审计，称可少审计36%。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
ATLAS 框架：并非所有错标都同等重要——利用置信序列进行高效任务感知审计报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine LearningATLAS 框架：并非所有错标都同等重要——利用置信序列进行高效任务感知审计
ATLAS 框架将 anytime-valid inference 与任务感知的自适应审计策略结合，按标签不确定性及修正对下游评分的影响确定检查优先级。在线性评分中，该方法在肯尼亚生物多样性数据和 CIFAR-10N 基准上，以 ±2 个百分点精度分别减少 24% 和 11% 的审计次数；对 Hill-Shannon 多样性评分则减少 36%。
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。