Компьютерные науки > Машинное обучение [представлено 22 октября 2026 года] Название: PaperScorr: Как предсказуема приемлемость бумаги? Вид PDF HTML (экспериментальное) Резюме: Автоматизированные исследования в значительной степени оцениваются по контрольным показателям, но ценность исследований редко снижается до одного балла. Люди оценивают целостный вклад работы на основе коллегиального обзора, который трудно моделировать, поскольку он шумный и зависит от многих факторов. Однако что, если бы мы могли с учетом только документа предсказать его решение о проведении экспертного обзора непосредственно? Мы представляем PaperScorer, семейство моделей, которые предсказывают принятие или отклонение решения бумаги из ее выдержанных текстовых скриншотов или страниц, тренируемся только по этому решению после удаления личности автора и форматирования коротких вариантов. Модели видения являются наиболее прогнозируемыми (68% точности в документах ICLR и 77% на бумагах ML из ArXiv), побивая только текстовые и пограничные модели рассуждений. В отличие от простого текста, изображения страниц сохраняют фигуры, планировку и представление. Этот сигнал надёжный, выживающий на более мелких моделях и даже сжимающий всю бумагу в одном образе. Но точные прогнозы не распространяются равномерно. Бумажный Скорер сильнейший на самых низких и наиболее высоких рейтингах, в то время как бумаги, оцененные по среднему остатку, непредсказуемы для наших моделей и пограничных систем. Кроме того, его…
Бумажный Скорр: Насколько вероятно принятие бумаги?
arXiv: 2610.31791v1 Annualce Type: New Humber Abstract: Автоматизированные исследования в значительной степени оцениваются по контрольным показателям, однако ценность исследований редко снижается до одного балла. Люди оценивают целостный вклад работы на основе коллегиального обзора, который трудно моделировать, поскольку он шумный и зависит от многих факторов. Однако что, если бы мы могли с учетом только документа предсказать его решение о проведении экспертного обзора непосредственно? Мы представляем PaperScorer, семейство моделей, которые предсказывают принятие или отклонение решения бумаги из ее выдержанных текстовых скриншотов или страниц, тренируемся только по этому решению после удаления личности автора и форматирования коротких вариантов. Модели видения являются наиболее прогнозируемыми (68% точности в документах ICLR и 77% на бумагах ML из ArXiv), побивая только текстовые и пограничные модели рассуждений. В отличие от простого текста, изображения страниц сохраняют фигуры, планировку и представление. Этот сигнал надёжный, выживающий на более мелких моделях и даже сжимающий всю бумагу в одном образе. Но точные прогнозы не одинаковы.