Jiani Yan, Pengyun Wang, Klint Kanopka, Ben Domingue, Charles Rahal · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29960 · open-access PDF
L'exactitude seule donne peu d'informations sur les caractéristiques ou les composants du modèle qui améliorent la cohérence probabilistique, sur les avantages des résultats ou sur la façon dont ils s'adaptent aux changements au cours de la formation. Nous introduisons l'InterModel Vigorish (IMV) dans l'espace Machine Intelligence afin d'exprimer les différences de cohérence comme un avantage de pari attendu par rapport à un modèle de référence. SHAP-IMV attribue des gains aux caractéristiques à travers des comparaisons de sous-ensembles pondérées par Shapley, Multi-IMV évalue la discrimination de classe en un contre un et en deux, et Ablate-IMV évalue les composants architecturaux et les groupes de caractéristi
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