每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

LeWiDi-2025 上的 LPI-RIT：通过元数据和 DisCo 的损失重加权改进分布预测

Created by
  • Haebom

作者

Mandira Sawkar、Samay U. Shetty、Deepak Pandita、Tharindu Cyril Weerasooriya、Christopher M. Homan

大纲

本文介绍了“基于上下文的分布 (DisCo)”架构的改进和分析，该架构是“学习分歧 (LeWiDi) 2025”合作项目的一部分，利用软标签分布预测和基于视角的评估来建模注释者之间的分歧。我们通过引入注释者元数据嵌入、改进的输入表示和多目标训练损失来扩展 DisCo，以更好地捕捉不一致模式。大量实验表明，软标签分布和基于视角的评估指标均有显著提升，并且我们进行了深入的校准和误差分析，以说明改进的分歧感知模型何时以及为何发生。我们还证明，直接优化基于注释者人口统计数据的分布指标可以更好地捕捉分歧。

Takeaways，Limitations

•
Takeaways：
◦
使用注释器元数据进行建模可以提高不匹配预测性能。
◦
分布指标的直接优化有助于持续提高性能。
◦
我们提供了深入的分析，以确定不匹配意识建模的优势和劣势。
•
Limitations：
◦
本文并未具体提及Limitations。（仅根据论文摘要很难识别Limitations。）
👍
Made with Slashpage