Знания о МУЗ в целях совершенствования прогнозирования внераспределяемых таблиц - перекрестный подход к упорядочению

arXiv: 261 030 68006v1 Annuales Type: New Humber: Prevision Models destruction, когда население развертывания отличается от того, которое использовалось для их подготовки, и данные о профессиональной подготовке не могут указать, какие взаимосвязи между характеристиками и ответами будут передаваться. Экспертная экспозиция является медленной и неоценимой. Мы задаем вопрос о том, улучшают ли коэффициенты, полученные в результате использования крупных языковых моделей (ЛММ), прогнозирование вне распределения (ОСР) как целевой показатель сокращения упорядоченной регрессии вместо нуля по пяти табличным наборам данных, разделяемым на реальные ковариаты, отбор поставщиков и предыдущих структур только путем перекрестного подтверждения данных из источников. Приводы помогают по четырем из пяти наборов данных, до 7,9% погрешности в квадратах, и 10 из 24 полученных ранее результатов решают проблему среднего улучшения при обычной уверенности; интервалы между развертыванием гораздо шире. При классификации выигрыш достигается в вероятностной точности, а не ранжировании, и контрольные тесты с искаженными приорами определяют преимущества не столько sca, сколько содержание конкретного элемента.