Jiani Yan, Pengyun Wang, Klint Kanopka, Ben Domingue, Charles Rahal · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29960 · open-access PDF
A precisão por si só fornece poucas informações sobre quais recursos ou componentes do modelo melhoram a adequação probabilística, quais resultados beneficiam ou como se adaptam às mudanças durante o treinamento. Introduzimos o InterModel Vigorish (IMV) no espaço de Inteligência de Máquina para expressar as diferenças na adequação como uma vantagem de aposta esperada em relação a um modelo de referência. SHAP-IMV atribui ganhos a recursos através de comparações de subconjuntos ponderadas por Shapley, Multi-IMV avalia a discriminação de classe de um contra outro e em pares, e Ablate-IMV avalia componentes arquitetônicos e grupos de recursos por ablação.
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