Jiani Yan, Pengyun Wang, Klint Kanopka, Ben Domingue, Charles Rahal · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29960 · open-access PDF
Độ chính xác một mình cung cấp rất ít thông tin về các tính năng hoặc thành phần mô hình nào cải thiện khả năng phù hợp, lợi ích kết quả nào, hoặc thay đổi phù hợp như thế nào trong quá trình đào tạo. Chúng tôi giới thiệu InterModel Vigorish (IMV) vào không gian Machine Intelligence để thể hiện sự khác biệt trong phù hợp như một lợi thế đặt cược dự kiến so với mô hình tham chiếu. SHAP-IMV gán lợi nhuận cho các tính năng thông qua so sánh các tiểu tập cân bằng Shapley, Multi-IMV đánh giá sự phân biệt đối xử giữa các lớp một-và hai, và Ablate-IMV đánh giá các thành phần kiến trúc và các nhóm tính năng bằng cách 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