成本与奖励驱动的度量引导
机器学习
2025-01-03 v1
摘要
在机器学习中，度量引导指为给定应用选择最能反映个体隐式偏好的绩效度量。当前的度量引导方法仅考虑依赖于给定模型混淆矩阵中编码 accuracy 值的度量。然而，仅关注混淆矩阵无法考虑其他模型可行性因素，如不同 monetary cost 或延迟。在本工作中，我们在Hiranandani等人提出的多类度量引导框架基础上，将其提议的对角线性绩效度量引导(DLPME)算法推广到 account for additional bounded costs and rewards。我们的实验结果使用合成数据表明，我们的方法能够快速收敛至 true metric。
引用
@article{arxiv.2501.00696,
title = {Cost and Reward Infused Metric Elicitation},
author = {Chethan Bhateja and Joseph O'Brien and Afnaan Hashmi and Eva Prakash},
journal= {arXiv preprint arXiv:2501.00696},
year = {2025}
}
备注
Accompanying code at https://github.com/chethus/metric