进行中
研究:LLM评审拖累AutoML搜索效果
- 报道
- 1
- 信源
- 1
- 首次报道
- 11/18 03:23
- 最近更新
- 11/18 03:23
Amazon与马萨诸塞大学研究者发表的论文发现,在AutoML搜索循环中加入LLM评审收益极小、下行风险更大。在96种pipeline配置的表格模型搜索中,Llama-3.1-8B评审在8个数据集中的7个上低于无评审基线,最多损失0.245 AUC;而理想评审最多仅提升约0.005 AUC。 论文称,这种危害在扩展到250种配置、运行20轮后大多消退。
热度48 小时内每个独立信源只算一次,24 小时减半
- 48 小时参与信源
- 1
- 6 小时新加入
- 0
- 24 小时新报道
- 1
- 热点排名
- —
热度曲线会在事件持续一段时间后出现。
事件进展1 个阶段
Rohan Paul 等 1 篇报道
全部报道1 篇
Amazon 与马萨诸塞大学论文发现,在搜索循环中加入 LLM 评审收益极小、最多约 0.005 AUC,但下行风险更大。在 96 种 pipeline 配置的表格模型搜索中,Llama-3.1-8B 评审在 8 个数据集中的 7 个上低于无评审基线,最多损失 0.245 AUC;理想评审最多仅提升约 0.005 AUC,且危害在 250 种配置、20 轮后大多消退。
Rohan Paul
相关
#Agent 智能体#数据与训练#论文研究
