KI News: Kurz und klar.

In einer kürzlich veröffentlichten Studie auf arXiv wird ein neuer Ansatz vorgestellt, der die Genauigkeit von Mehrklassen-Modellen deutlich steigert. Der Fokus liegt auf der Kalibrierung von Wahrscheinlichkeiten – ein entscheidender Faktor für vertrauenswürdige Entscheidungen in Bereichen wie Bild- und Textklassifikation.

Ein neues Papier auf arXiv präsentiert einen Schwellen-basierten Ansatz für die Mehrklassenklassifikation, der die klassische argmax-Regel erweitert.

Federated Learning (FL) ermöglicht es, Modelle auf verteilten Geräten zu trainieren, ohne dass sensible Daten das Gerät verlassen. In der Praxis laufen FL-Modelle jedoch oft für eine festgelegte Anzahl an globalen Runden, was zu unnötigem Rechenaufwand führt, sobald die optimale Leistung bereits erreicht ist. Gleichzeitig kann das Training weitergehen, obwohl das Modell keine nennenswerten Fortschritte erzielt.

Die frühzeitige Erkennung von psychischen Erkrankungen aus Texten sozialer Medien ist entscheidend, um rechtzeitig Unterstützung, Risikobewertung und geeignete Ressourcen bereitzustellen. Mit dem neuen Modell multiMentalRoBERTa wird dieses Ziel nun deutlich näher gebracht.

In der klassischen Mehrklassenklassifikation wird häufig One‑Hot‑Encoding verwendet, doch diese Methode ist nicht immer optimal. Error‑Correcting Output Codes (ECOC) lösen das Problem, indem jeder Klasse ein einzigartiger Codewort zugeordnet wird. Traditionelle ECOC‑Ansätze bauen die Codebücher jedoch manuell oder zufällig – ein arbeitsintensiver Prozess, der oft datensatzagnostisch bleibt.