EDO optimiza los pesos del conjunto y la cardinalidad para mejorar la calibración en tareas de PLN subjetivas

Los investigadores presentan Ensemble Diversity Optimization (EDO), un marco de espacio de predicción que optimiza conjuntamente los pesos del conjunto, la cardinalidad efectiva y la calibración a través de un objetivo diferenciable unificado. EDO aprende la composición del conjunto de extremo a extremo mediante relajación Gumbel-Softmax e incorpora un regularizador de diversidad con signo para dirigir la optimización hacia preservar o suprimir el desacuerdo.

• Los experimentos en cuatro benchmarks de clasificación de texto subjetivo (ArMIS, ConvAbuse, HS-Brexit, MD-Agreement) muestran que EDO reduce la entropía cruzada entre un 40% y un 78% en comparación con las líneas base como Soft-CE y Top-5 Voting.
• El método reduce los puntajes de Brier mientras mantiene puntuaciones F1 competitivas y una mejor alineación con las distribuciones de los anotadores.

Estos resultados demuestran que optimizar conjuntamente la estructura del conjunto con un regularizador de diversidad con signo proporciona un enfoque eficiente e independiente del modelo para modelar la subjetividad humana en el aprendizaje supervisado.