Classification

6 items

RESEARCHarXiv CS.AI·22/04/2026

Error-free Training for MedMNIST Datasets

Cet article introduit un nouveau concept, l'Intelligence Artificielle Spéciale, permettant d'entraîner des modèles d'apprentissage automatique sans erreur pour les problèmes de classification, évitant ainsi les répétitions de fautes. La méthode a été appliquée avec succès à 18 ensembles de données biomédicales MedMNIST, atteignant la perfection dans la plupart des cas, à l'exception de trois ensembles souffrant de double étiquetage.

Classification machine learning Biomedical AI error-free training

RESEARCHarXiv CS.LG·13/04/2026

Silhouette Loss: Differentiable Global Structure Learning for Deep Representations

Cet article présente la Soft Silhouette Loss, une nouvelle fonction de perte différentiable pour l'apprentissage profond, inspirée du coefficient de silhouette classique. Elle vise à apprendre des représentations discriminatives en favorisant la compacité intra-classe et la séparation inter-classes de manière plus efficace que les méthodes existantes.

Classification metric learning deep learning loss functions

DOCDEV.to AI·10/05/2026

65. ROC Curves and AUC: Comparing Models Fairly

Ce contenu explique comment utiliser les courbes ROC et l'AUC pour comparer équitablement les modèles de classification en évaluant leurs performances sur tous les seuils possibles. Il détaille ce qu'ils sont, comment les interpréter et quand les utiliser au lieu d'autres métriques, y compris les idées fausses courantes.

Classification Model Evaluation machine learning ROC curve

RESEARCHarXiv CS.LG·05/05/2026

A Review of the Receiver Operating Characteristic Curve and a Proof About the Area Beneath It

Cet article examine la Courbe Caractéristique de Réception (ROC), une métrique couramment utilisée pour évaluer la performance des classificateurs binaires. Il formalise l'interprétation probabilistique de l'Aire Sous la Courbe (AUC) et établit des bornes pour sa précision.

Classification Performance Metrics probability machine learning

RESEARCHarXiv CS.AI·il y a 28j

PLACO: A Multi-Stage Framework for Cost-Effective Performance in Human-AI Teams

PLACO est un cadre multi-étapes conçu pour une performance rentable dans les équipes humain-IA, en particulier pour les tâches de classification. Ce travail aborde la combinaison cruciale des résultats humains et du modèle, s'appuyant sur des travaux antérieurs utilisant la règle de Bayes.

Classification human-AI collaboration machine learning Performance optimization

ARTICLEDEV.to AI·27/04/2026

Notes from building a Reddit signal classifier on a laptop

L'auteur partage une astuce d'ingénierie de prompt pour les LLMs locaux, suggérant d'exiger des termes explicites du domaine pour les réponses "OUI" afin de réduire les faux positifs en classification. Cette technique a été appliquée lors de la construction d'un classificateur de signaux Reddit pour l'intelligence communautaire, intégrant divers LLMs et un classificateur bayésien.

Classification prompt-engineering Local AI Agentic AI