शोधकर्ताओं ने Ensemble Diversity Optimization (EDO) पेश किया, जो एक पूर्वानुमान-स्थान फ्रेमवर्क है जिसे व्यक्तिगत NLP कार्यों में प्रणालीगत टिप्पणीकार असहमति को संभालने के लिए डिज़ाइन किया गया है, जिसमें एन्सेंबल वजन, कार्डिनैलिटी और कैलिब्रेशन का संयुक्त अनुकूलन शामिल है। विधि अंत-से-अंत सीखने के लिए Gumbel-Softmax रिलैक्सेशन का उपयोग करती है और उपयोगिता-कैलिब्रेशन ट्रेड-ऑफ को नियंत्रित करने के लिए एक साइन युक्त विविधता रेगुलराइजर को शामिल करती है।
- EDO अंतः-एन्सेंबल परिवर्तनशीलता को विनियमित करने के लिए एक नरम F1 प्रतिस्थापन, कक्षा-भारित क्रॉस-एंटरपी और विश्वसनीयता-भारित विविधता को एकीकृत करता है।
- ArMIS, ConvAbuse, HS-Brexit और MD-Agreement बेंचमार्क्स पर प्रयोगों ने Soft-CE, Soft-MD, Top-5 Voting और WEL की तुलना में क्रॉस-एंटरपी (40-78%) में कमी और कम Brier स्कोर दिखाए।
- दृष्टिकोण प्रतिस्पर्धी F1 स्कोर बनाए रखता है जबकि टिप्पणीकार वितरण के साथ बेहतर संरेखण प्राप्त करता है।
यह मॉडल-अग्नोस्टिक दृष्टिकोण संपुष्टि को रोककर पर्यवेक्षित सीखने में मानवीय व्यक्तिगतता को मॉडल करने के लिए एक कुशल विधि प्रदान करता है।