論文の概要: CAME: Contrastive Automated Model Evaluation
- arxiv url: http://arxiv.org/abs/2308.11111v1
- Date: Tue, 22 Aug 2023 01:24:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 19:39:15.930189
- Title: CAME: Contrastive Automated Model Evaluation
- Title(参考訳): CAME: 対照的な自動モデル評価
- Authors: Ru Peng, Qiuyang Duan, Haobo Wang, Jiachen Ma, Yanbo Jiang, Yongjun
Tu, Xiu Jiang, Junbo Zhao
- Abstract要約: 対照的な自動モデル評価(CAME)は、ループにトレーニングセットを含まない新しいAutoEvalフレームワークである。
CAMEは、AutoEvalの新しいSOTA結果を確立する。
- 参考スコア(独自算出の注目度): 12.879345202312628
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Automated Model Evaluation (AutoEval) framework entertains the
possibility of evaluating a trained machine learning model without resorting to
a labeled testing set. Despite the promise and some decent results, the
existing AutoEval methods heavily rely on computing distribution shifts between
the unlabelled testing set and the training set. We believe this reliance on
the training set becomes another obstacle in shipping this technology to
real-world ML development. In this work, we propose Contrastive Automatic Model
Evaluation (CAME), a novel AutoEval framework that is rid of involving training
set in the loop. The core idea of CAME bases on a theoretical analysis which
bonds the model performance with a contrastive loss. Further, with extensive
empirical validation, we manage to set up a predictable relationship between
the two, simply by deducing on the unlabeled/unseen testing set. The resulting
framework CAME establishes a new SOTA results for AutoEval by surpassing prior
work significantly.
- Abstract(参考訳): 自動モデル評価(autoeval)フレームワークは、ラベル付きテストセットに頼ることなく、トレーニングされた機械学習モデルを評価することができる。
約束といくつかの適切な結果にもかかわらず、既存のAutoEvalメソッドは、未実装のテストセットとトレーニングセットの間のコンピューティング分散シフトに大きく依存している。
このトレーニングセットへの依存は、この技術を現実世界のML開発に出荷する上で、もうひとつの障害になると考えています。
本研究では,ループ内のトレーニングセットを除外した新しい自動評価フレームワークである,コントラスト型自動モデル評価(came)を提案する。
CAMEの中核的な考え方は、モデル性能と対照的な損失を結合する理論解析に基づいている。
さらに, 広範な実証検証を行うことで, ラベルなし/見当たらないテストセットをデジェクトすることで, 両者の予測可能な関係を確立することができた。
その結果生まれたフレームワークであるCAMEは、AutoEvalの新しいSOTA結果を確立します。
関連論文リスト
- FullCert: Deterministic End-to-End Certification for Training and Inference of Neural Networks [62.897993591443594]
FullCertは、音と決定論的境界を持つ最初のエンドツーエンドの認証器である。
2つのデータセットに対してFullCertの有効性を実験的に示す。
論文 参考訳(メタデータ) (2024-06-17T13:23:52Z) - FACTUAL: A Novel Framework for Contrastive Learning Based Robust SAR Image Classification [10.911464455072391]
FACTUALは、逆行訓練と堅牢なSAR分類のためのコントラストラーニングフレームワークである。
本モデルでは, 洗浄試料の99.7%, 摂動試料の89.6%の精度が得られた。
論文 参考訳(メタデータ) (2024-04-04T06:20:22Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳(メタデータ) (2023-12-27T09:03:43Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳(メタデータ) (2023-11-06T00:21:44Z) - Rubric-Specific Approach to Automated Essay Scoring with Augmentation
Training [0.1227734309612871]
本稿では,従来の研究で見過ごされた機能や特徴を学習するために,自動スコアリングモデルの訓練とテストを行う一連のデータ拡張操作を提案する。
自動学生評価賞(Automated Students Assessment Prize)データセットにおいて,最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2023-09-06T05:51:19Z) - Test-Time Adaptation with Perturbation Consistency Learning [32.58879780726279]
そこで本研究では, 分布変化のあるサンプルに対して, 安定な予測を行うための簡易なテスト時間適応手法を提案する。
提案手法は,強力なPLMバックボーンよりも推論時間が少なく,高い,あるいは同等の性能を実現することができる。
論文 参考訳(メタデータ) (2023-04-25T12:29:22Z) - Effective Robustness against Natural Distribution Shifts for Models with
Different Training Data [113.21868839569]
効果的ロバスト性」は、分配内(ID)性能から予測できる以上の余分な分配外ロバスト性を測定する。
異なるデータに基づいてトレーニングされたモデルの有効ロバスト性を評価・比較するための新しい評価指標を提案する。
論文 参考訳(メタデータ) (2023-02-02T19:28:41Z) - Self-Damaging Contrastive Learning [92.34124578823977]
ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。
本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。
実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
論文 参考訳(メタデータ) (2021-06-06T00:04:49Z) - Once-for-All Adversarial Training: In-Situ Tradeoff between Robustness
and Accuracy for Free [115.81899803240758]
敵の訓練とその多くの変種は、ネットワークの堅牢性を大幅に改善するが、標準精度を妥協するコストがかかる。
本稿では,訓練されたモデルをその場で迅速に校正する方法を問うとともに,その標準と堅牢な精度のトレードオフについて検討する。
提案するフレームワークであるOne-for-all Adversarial Training (OAT)は,革新的なモデル条件トレーニングフレームワーク上に構築されている。
論文 参考訳(メタデータ) (2020-10-22T16:06:34Z) - SE3M: A Model for Software Effort Estimation Using Pre-trained Embedding
Models [0.8287206589886881]
本稿では,事前学習した埋め込みモデルの有効性を評価する。
両方のアプローチでトレーニング済みのジェネリックモデルは、微調整プロセスを経ている。
テスト結果は非常に有望で、事前トレーニングされたモデルを使用して、要求テキストのみに基づいてソフトウェアの労力を見積もることができることに気付きました。
論文 参考訳(メタデータ) (2020-06-30T14:15:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。