هوش مصنوعی
روش برآورد مرز بهینهٔ دقت و انصاف در طبقه‌بندی معرفی شد
پژوهشگران روشی برای برآورد کمترین خطای ممکن تحت محدودیت‌های انصاف ارائه کرده‌اند که فقط به احتمال‌های برچسب و اطلاعات گروهی نیاز دارد.
پیش‌چاپی در arXiv چارچوبی برای تخمین حد بنیادیِ مبادلهٔ میان دقت و انصاف در مسائل طبقه‌بندی پیشنهاد می‌کند. این حد نشان می‌دهد بهترین نرخ خطای ممکن، با توجه به توزیع داده و محدودیت‌های انصاف، چقدر است؛ معیاری که می‌تواند برای مقایسهٔ دسته‌بندهای منصفانه به کار رود.
روش‌های موجود برای تخمین خطای بیز در طبقه‌بندی دودویی از برچسب‌های نرم، یعنی احتمال تعلق نمونه به کلاس مثبت، استفاده می‌کنند و به ویژگی‌های ورودی یا آموزش کمکی نیاز ندارند. نویسندگان این ایده را به طبقه‌بندی مقید گسترش داده‌اند؛ در اینجا انصاف می‌تواند به معنای برابر یا نزدیک‌به‌برابر بودن نرخ مثبتِ درست در گروه‌های جمعیتی مختلف باشد.
پژوهشگران برای نرخ خطای بیزِ منصفانه، یعنی کمترین خطای قابل‌دستیابی با رعایت محدودیت‌های تعیین‌شده، یک رابطهٔ صریح استخراج کرده‌اند و بر پایهٔ آن برآوردگرهایی سازگار و مستقل از نمونهٔ مشخص ساخته‌اند. این برآوردگرها فقط از برچسب‌های نرم و اطلاعات گروهی استفاده می‌کنند. مقاله همچنین برای سوگیری و پیچیدگی نمونهٔ روش کران‌هایی ارائه می‌دهد.
بر اساس ارزیابی تجربی گزارش‌شده، روش در تخمین منحنی بهینهٔ دقت و انصاف پایدار و کم‌نوسان بوده است؛ حتی زمانی که برچسب‌های نرم نویزی بوده‌اند و از مدلی برای طبقه‌بندی برچسب‌های سخت به دست آمده‌اند. این مقاله پذیرفته‌شدن خود در NeurIPS 2026 را اعلام کرده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده