Similarità Tabellare Allineata alle Preferenze Umane
Uno studio recente sostiene che gli attuali embedding tabellari, progettati principalmente per compiti di previsione, non producono classifiche di similarità corrispondenti alle preferenze umane. I ricercatori affermano che le metriche convenzionali a valle non valutano adeguatamente l'affidabilità degli embedding nelle ricerche di similarità, specialmente nei sistemi di Product Lifecycle Management (PLM). Introducono un metodo di valutazione specifico e dimostrano il problema utilizzando un caso studio PLM. Questo articolo rientra nella categoria Computer Science > Machine Learning ed è stato presentato su arXiv.
Fatti principali
- Gli embedding tabellari sono utilizzati per la ricerca di similarità nel PLM.
- I principali embedding sono ottimizzati per la previsione, non per la similarità allineata all'umano.
- Le metriche standard sono insufficienti per valutare l'affidabilità della ricerca di similarità.
- Viene presentata una procedura di valutazione concreta.
- Il problema è illustrato attraverso un caso d'uso PLM.
- L'articolo è su arXiv sotto Computer Science > Machine Learning.
Entità
Istituzioni
- arXiv