Pipeline GBDT a doppio classificatore riduce del 34% gli errori AI ad alto rischio

Un nuovo approccio descritto su arXiv (2605.02544) utilizza una pipeline GBDT a doppio classificatore per distinguere tra errori umani tipici e classificazioni errate ad alto rischio non attribuibili all'uomo in applicazioni di machine learning. Valutato su compiti come l'identificazione di razze animali, la valutazione delle lesioni cutanee (ISIC 2018) e l'istopatologia prostatica (SICAPv2), questo metodo ha ottenuto una riduzione del 34,1% degli errori pericolosi non umani per ISIC e una diminuzione del 12,57% per SICAPv2. Inoltre, la sicurezza diagnostica di superclasse è salita rispettivamente al 90,41% e al 92,13%. La pipeline introduce una latenza di inferenza minima, con un overhead di solo 1,60–1,84%, e supera le linee di base convenzionali della Probabilità Massima di Classe in termini di accuratezza di correzione.