論文の概要: DeepOpen: Decision-Oriented Intent Classification on BANKING77 and CLINC150
- arxiv url: http://arxiv.org/abs/2610.31104v2
- Date: Fri, 23 Oct 2026 06:22:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.237437
- Title: DeepOpen: Decision-Oriented Intent Classification on BANKING77 and CLINC150
- Title（参考訳）: DeepOpen: BANKING77とCLINC150の意思決定指向インテント分類
- Abstract要約: 我々は、BANKING77とCLINC150のためのデータセット固有のシステムを備えた意思決定指向の意図分類フレームワークであるDeepOpenを紹介する。
BANKING77では、シャープネス認識最小化(SAM)が94.1234%のテスト精度(2,899/3,080)を達成した。
150 in-scope CLINC150クラスでは、1つのLayaスペシャリストと3つのDeBERTa-v3-large分類器の確率融合が98.0222%(4,411/4,500)に達する
- 参考スコア（独自算出の注目度）: 4.157115263436097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present DeepOpen, a decision-Oriented intent-classification framework with dataset- specific systems for BANKING77 and CLINC150. On BANKING77, a single English classi- fier continued with sharpness-aware minimization (SAM) achieves 94.1234% test accuracy (2,899/3,080). This is the best observed result among three fixed SAM seeds, selected for display after test evaluation; their mean is 94.0368%. On the 150 in-scope CLINC150 classes, probability fusion of one Laya specialist and three DeBERTa-v3-large classifiers achieves 98.0222% (4,411/4,500). We describe the two configurations, reproduce the reference com- parisons displayed in the accompanying evaluation explorer, and separate headline scores from evidence about improvement. Under a uniform BANKING77 evaluation path, the SAM mean exceeds the historical checkpoint by 0.0433 percentage points, with a shared-row 95% interval of [-0.2273, +0.3247]. Thus, the continuation does not establish a reliable accuracy gain. The report documents strong observed task-specific performance, selection effects, and unresolved historical execution-path differences, rather than a new backbone or a unified algorithmic advantage.
- Abstract（参考訳）: 我々は、BANKING77とCLINC150のためのデータセット固有のシステムを備えた意思決定指向の意図分類フレームワークであるDeepOpenを紹介する。
BANKING77では、シャープネス・アウェアの最小化(SAM)が94.1234%のテスト精度(2,899/3,080)を達成した。
これは、テスト評価後の表示のために選択された3つの固定SAM種子の中で最もよく観察された結果であり、平均は94.0368%である。
150の顕微鏡内CLINC150クラスでは、1つのラヤ専門家と3つのDeBERTa-v3-large分類器の確率融合が98.0222%(4,411/4,500)に達する。
本稿では,2つの構成を記述し,関連する評価エクスプローラに表示された参照コム・パリゾンを再現し,改善に関する証拠から見出しスコアを分離する。
均一なBANKING77評価パスの下では、SAM平均は、[-0.2273, +0.3247]の95%間隔で、歴史的チェックポイントを0.0433パーセント超える。
したがって、継続は信頼性の高い精度のゲインを確立しない。
このレポートは、新しいバックボーンや統一アルゴリズムの利点よりも、タスク固有のパフォーマンス、選択効果、未解決の過去の実行パスの違いを強く観察している。
関連論文リスト
- Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。
しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。
本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
論文 参考訳（メタデータ） (2026-10-13T16:19:49Z) - CredWise: A Controlled Agentic Decision-Intelligence Framework for Explainable and Auditable Credit-Risk Assessment [0.0]
CredWiseは、信用リスク予測、確率キャリブレーション、説明可能な人工知能、ポリシー検索、制御されたエージェントベースの分析を統合する、意思決定支援フレームワークである。
2007-2016年、トレーニング用、2017年、テスト用、2018年。
結果は、CredWiseが予測、説明、ポリシーエビデンス、構造化分析をひとつのワークフローで組み合わせることができることを示している。
論文 参考訳（メタデータ） (2026-09-29T10:38:53Z) - UO-FIE: Combining Exact-Label Supervision with Graded Utility for Factivity Inference [0.0]
アクティビティ推論評価2026(FIE2026)は、中国の文脈と仮説のペアを9つの順序の事実区間に分類する。
UO-FIE(Utility-Oriented F Activity Inference)は、正確なラベル管理とグレードユーティリティを組み合わせたパラメータ効率の高いシステムである。
論文 参考訳（メタデータ） (2026-09-23T16:24:57Z) - Speculative Evaluation of Stochastic LLMs [48.902430583833585]
投機的評価は、短い一様パイロットと、タスク毎の成功回数のプールを実行する。
HBN-asyncは、部分的なパイロットフィードバックからの継続を投機的に実行し、最終的なアロケーションによって選択されたものを保持する。
1タスクあたり8-64のロールアウト予算では、投機的評価は、Uniformに対する分散を平均12.8%から33.6%削減する。
論文 参考訳（メタデータ） (2026-09-23T09:20:22Z) - Separating Secrets from Placeholders: A Hybrid CNN-CodeBERT Framework for Three-Class Credential Leakage Detection [3.853925623717688]
公開ソースコードリポジトリのクレデンシャルリークは、重大なセキュリティ脅威を引き起こす。
本稿では,プレースホルダーや弱い資格情報を個別のクラスとして明示的にモデル化する3クラス分類フレームワークを提案する。
10のプログラミング言語にまたがる9,426のサンプルを新たに構築したデータセットに対して,我々のアプローチを評価する。
論文 参考訳（メタデータ） (2026-05-29T16:36:20Z) - Visual Aesthetic Benchmark: Can Frontier Models Judge Beauty? [59.923111838399144]
本稿では,視覚的審美性ベンチマーク (VAB) を提案する。
VABには400のタスクと1,195のイメージが芸術、写真、イラストに含まれており、ラベルはタスクごとに10人の独立した専門家審査員のコンセンサスから導かれる。
最強のシステムは、人間の専門家が達成した68.9%よりもはるかに低い26.5%のタスクで、候補順の3つのランダムな順で、最良の画像と最悪の画像の両方を正しく識別する。
論文 参考訳（メタデータ） (2026-05-12T19:33:28Z) - Balanced Multi-Task Attention for Satellite Image Classification: A Systematic Approach to Achieving 97.23% Accuracy on EuroSAT Without Pre-Training [0.0]
本研究は、衛星土地利用分類のための独自の畳み込みニューラルネットワークアーキテクチャを体系的に研究する。
事前訓練されたモデルに依存することなく、EuroSATデータセット上で97.23%のテスト精度を達成する。
我々の手法は、外部データを必要としない微調整されたResNet-50(98.57%)の1.34%で性能を達成する。
論文 参考訳（メタデータ） (2025-10-17T10:59:24Z) - TrustJudge: Inconsistencies of LLM-as-a-Judge and How to Alleviate Them [58.04324690859212]
自動評価器(LLM-as-a-judge)としての大規模言語モデル(LLM)は、現在の評価フレームワークにおいて重大な矛盾を明らかにしている。
スコア比較不整合とペアワイズ・トランジティビティ不整合という2つの基本的不整合を同定する。
我々は2つの重要なイノベーションを通じてこれらの制限に対処する確率的フレームワークであるTrustJudgeを提案する。
論文 参考訳（メタデータ） (2025-09-25T13:04:29Z) - Uncertainty-aware Long-tailed Weights Model the Utility of Pseudo-labels for Semi-supervised Learning [50.868594148443215]
本研究では,不確かさを意識したアンサンブル構造(UES)を提案する。
UESは軽量でアーキテクチャに依存しないため、分類や回帰を含む様々なコンピュータビジョンタスクに容易に拡張できる。
論文 参考訳（メタデータ） (2025-03-13T02:21:04Z)
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。