MetaEvaluator: Valutazione di Modelli Efficiente tramite Meta-Apprendimento
I ricercatori introducono MetaEvaluator, un framework indipendente dal modello per valutare modelli di machine learning su dati non etichettati senza costose annotazioni o fine-tuning. Utilizza il meta-apprendimento su un pool di modelli di riferimento per trasferire conoscenze, consentendo una rapida valutazione di nuovi modelli attraverso architetture e modalità diverse. L'approccio ammortizza i costi di valutazione ed elimina la necessità di riaddestramento per ogni modello. Gli esperimenti dimostrano la sua efficacia su dataset non visti. Il lavoro è pubblicato su arXiv con ID 2605.23595.
Fatti principali
- MetaEvaluator è un framework indipendente dal modello per la valutazione senza etichette.
- Sfrutta il meta-apprendimento su un pool di modelli di riferimento.
- Consente la valutazione di modelli non visti su dataset non etichettati.
- Il framework elimina la necessità di riaddestramento per ogni modello.
- Ammortizza i costi di valutazione attraverso il pool di modelli di riferimento.
- L'approccio è applicabile a diverse architetture e modalità.
- L'articolo sostiene di essere il primo framework indipendente dal modello per la valutazione senza etichette.
- La ricerca è disponibile su arXiv con ID 2605.23595.
Entità
Istituzioni
- arXiv