Este artigo introduz um novo conceito chamado Inteligência Artificial Especial, que permite treinar modelos de Machine Learning para classificação sem erros, evitando repetições de falhas. O método foi aplicado com sucesso a 18 conjuntos de dados biomédicos MedMNIST, alcançando perfeição na maioria, exceto em três com problemas de dupla rotulagem.
Este trabalho introduz a Soft Silhouette Loss, uma nova função de perda diferenciável para deep learning, inspirada no coeficiente de silhueta clássico. Ela busca aprender representações discriminativas que promovam compactação intra-classe e separação inter-classes de forma mais eficiente do que métodos existentes.
Este conteúdo explica como usar curvas ROC e AUC para comparar modelos de classificação de forma justa, analisando o desempenho em todos os limiares. Ele detalha o que são, como interpretá-los e quando utilizá-los em vez de outras métricas, abordando também equívocos comuns.
Este artigo revisa a Curva Característica de Operação do Receptor (ROC), uma métrica comum para avaliar o desempenho de classificadores binários. Ele formaliza a interpretação probabilística da Área Sob a Curva (AUC) e fornece limites para sua precisão.
PLACO é uma estrutura de várias etapas projetada para desempenho econômico em equipes humano-IA, especialmente em tarefas de classificação. O trabalho aborda a combinação da saída humana e do modelo, aprimorando métodos anteriores baseados na regra de Bayes.
O autor compartilha uma dica de engenharia de prompt para LLMs locais, sugerindo exigir termos explícitos do domínio para respostas "SIM" a fim de reduzir falsos positivos na classificação. Esta técnica foi aplicada na construção de um classificador de sinais do Reddit para inteligência comunitária, integrando vários LLMs e um classificador Bayesiano.