Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

EZ-Sort: Comparación eficiente por pares mediante preordenación basada en CLIP de disparo cero y clasificación con intervención humana

Created by
  • Haebom

Autor

Parque Yujin, Haejun Chung, Ikbeom Jang

Describir

Este artículo explora la tendencia a favorecer las comparaciones por pares sobre los rangos absolutos o las clasificaciones de secuencias para mejorar la confiabilidad en tareas de anotación subjetivas o desafiantes. Mientras que las comparaciones por pares tradicionales requieren un gran número de anotaciones (O(n^2)), investigaciones recientes han reducido significativamente la carga de anotación (O(n log n)) al muestrear activamente las comparaciones por pares utilizando algoritmos de alineación. En este artículo, mejoramos aún más la eficiencia de la anotación al (1) prealinear aproximadamente los elementos jerárquicamente utilizando el modelo de preentrenamiento de lenguaje-imagen contrastivo (CLIP) sin entrenamiento, y (2) reemplazar las comparaciones humanas fáciles y obvias con comparaciones automatizadas. El EZ-Sort propuesto primero genera una prealineación de disparo cero basada en CLIP, luego inicializa las puntuaciones Elo con conocimiento de cubos y finalmente ejecuta MergeSort con participación humana basada en la incertidumbre. Validamos nuestro enfoque utilizando varios conjuntos de datos, incluidos Face Age Estimation (FGNET), Historical Image Chronology (DHCI) y EyePACS (EyePACS). Como resultado, EZ-Sort mantuvo o mejoró la fiabilidad entre evaluadores, a la vez que redujo los costes de anotación humana en un 90,5 % en comparación con la comparación por pares completa y en un 19,8 % (con n = 100) en comparación con estudios existentes. Estos resultados demuestran que la combinación de información previa basada en CLIP y un muestreo con control de la incertidumbre produce una solución de clasificación por pares eficiente y escalable.

Takeaways, Limitations

•
Takeaways:
◦
Mejoramos significativamente la eficiencia de las tareas de comparación por pares al aprovechar la prealineación de disparo cero y el muestreo basado en incertidumbre con CLIP.
◦
Logramos una reducción del 90,5% en los costos de anotación en comparación con las comparaciones por pares completos y una reducción del 19,8% en comparación con los estudios existentes.
◦
Se mejoró la eficiencia manteniendo o mejorando la confiabilidad entre evaluadores.
◦
Verificamos el rendimiento de generalización del método propuesto mediante la validación en varios conjuntos de datos.
•
Limitations:
◦
Depende del rendimiento del modelo CLIP, y las limitaciones del modelo CLIP pueden afectar el rendimiento de EZ-Sort.
◦
Como la precisión de las comparaciones automatizadas no siempre está garantizada, pueden producirse errores.
◦
Puede estar optimizado para un tipo específico de conjunto de datos y puede funcionar mal en otros tipos de conjuntos de datos.
◦
Es posible que se necesiten más investigaciones sobre la escalabilidad a grandes conjuntos de datos.
👍
Made with Slashpage