Компьютерные науки > Машинное обучение [представлено 30 июля 2025 (v1), последний пересмотренный вариант 14 сентября 2026 года (эта версия, v2)) Название: Observational Multiclicity View PDF HTML (экспериментальный) резюме: Многие задачи прогнозирования могут быть использованы при использовании нескольких моделей, которые могут работать почти одинаково хорошо. Это явление может подорвать интерпретируемость и безопасность в тех случаях, когда конкурирующие модели определяют противоречивые прогнозы для отдельных лиц. В этой работе мы изучаем вопрос о том, как произвол может возникнуть при выполнении вероятностных классификационных задач в результате воздействия, которое мы называем umph {наблюданием за множественностью}. Мы обсуждаем вопрос о том, каким образом этот эффект возникает в широком классе практических прикладных программ, где мы учимся категоризации для предсказания вероятностей $p_i в [0,1] долл. Мы предлагаем оценить произвольность индивидуальных прогнозов вероятностей с помощью линзы emphh {regret}. Мы вносим определенную степень сожаления по поводу вероятностных классификационных задач, которые измеряют то, как прогнозы той или иной модели могут измениться в результате использования различных учебных этикеток. Мы представляем метод общего назначения для оценки сожаления по поводу вероятной задачи классификации. Мы используем нашу меру для того, чтобы показать, что в наборе данных часто отмечается большее сожаление по некоторым группам и обсудить возможные виды…
Множественность наблюдений
arXiv: 2507 231336v2 Annuate Type: заменить Резюме: Многие задачи прогнозирования могут быть использованы в нескольких моделях, которые способны работать почти одинаково хорошо. Это явление может подорвать интерпретируемость и безопасность в тех случаях, когда конкурирующие модели определяют противоречивые прогнозы для отдельных лиц. В этой работе мы изучаем вопрос о том, как произвол может возникнуть при выполнении вероятностных классификационных задач в результате воздействия, которое мы называем umph {наблюданием за множественностью}. Мы обсуждаем вопрос о том, каким образом этот эффект возникает в широком классе практических прикладных программ, где мы учимся категоризации для предсказания вероятностей $p_i в [0,1] долл. Мы предлагаем оценить произвольность индивидуальных прогнозов вероятностей с помощью линзы emphh {regret}. Мы вносим определенную степень сожаления по поводу вероятностных классификационных задач, которые измеряют то, как прогнозы той или иной модели могут измениться в результате использования различных учебных этикеток. Мы представляем метод общего назначения, чтобы оценить сожаление в вероятной степени