Jiani Yan, Pengyun Wang, Klint Kanopka, Ben Domingue, Charles Rahal · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29960 · open-access PDF
Genauigkeit allein gibt wenig Informationen darüber, welche Merkmale oder Modellkomponenten die Wahrscheinlichkeitsfähigkeit verbessern, welche Ergebnisse profitieren oder wie sich die Änderungen während des Trainings anpassen. Wir führen das InterModel Vigorish (IMV) in den Maschinenintelligenzraum ein, um die Unterschiede in der Passform als erwarteten Wettvorteil gegenüber einem Referenzmodell auszudrücken. SHAP-IMV attribuiert Gewinne an Merkmale durch Shapley-gewichtete Subset-Vergleichungen, Multi-IMV bewertet Eins-v-Rust und Paar-Klasse-Diskriminierung, und Ablate-IMV bewertet architektonische Komponenten und Feature-Gruppen durch Ablation.
Machine translation (Meta M2M100); the English original follows.
Accuracy alone gives little information about which features or model components improve probabilistic fit, which outcomes benefit, or how fit changes during training. We introduce the InterModel Vigorish (IMV) into the Machine Intelligence space in order to express differences in fit as an expected betting advantage over a reference model. SHAP-IMV attributes gains to features through Shapley-weighted subset comparisons, Multi-IMV evaluates one-vs-rest and pairwise class discrimination, and Ablate-IMV assesses architectural components and feature groups by ablation. We evaluate these applicat
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29960, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange