शोधकर्ताओं ने Ensemble Diversity Optimization (EDO) पेश किया, जो एक prediction-space framework है जो एक unified differentiable objective के माध्यम से ensemble weights, effective cardinality, और calibration को jointly अनुकूलित करता है। EDO Gumbel-Softmax relaxation के माध्यम से end-to-end ensemble composition सीखता है और disagreement को बनाए रखने या दबाने की ओर अनुकूलन को निर्देशित करने के लिए एक signed diversity regularizer शामिल करता है।
- चार subjective text-classification benchmarks (ArMIS, ConvAbuse, HS-Brexit, MD-Agreement) पर प्रयोगों से पता चलता है कि Soft-CE और Top-5 Voting जैसे baselines की तुलना में EDO cross-entropy को 40-78% कम करता है।
- विधि Brier scores को कम करती है जबकि competitive F1 scores बनाए रखती है और annotator distributions के साथ बेहतर alignment प्रदान करती है।
ये परिणाम दर्शाते हैं कि एक signed diversity regularizer के साथ ensemble structure को jointly अनुकूलित करना supervised learning में मानवीय subjectivity को मॉडल करने के लिए एक efficient, model-agnostic दृष्टिकोण प्रदान करता है।