详细内容或原文请订阅后点击阅览
成对的跨变量分类
多级零 - 嵌入分类和错误检查后成对的跨变量分类首先出现在数据科学上。
来源:走向数据科学intro
该项目是关于使用CV/LLM模型对图像和文本进行更好的零摄像分类，而无需花费时间和金钱在培训中进行微调，或者在推理中重新运行模型。它在嵌入式上使用了一种新颖的维度降低技术，并使用锦标赛风格的配对比较来确定类。这导致13个类别的50K数据集将文本/图像一致性从61％增加到89％。
分类https://github.com/doc1000/pairwise_classification 您将在哪里使用它 实际应用在大规模的搜索中，其中推理速度很重要，而模型成本支出是一个问题。它对于在注释过程中查找错误也很有用 - 大型数据库中的错误分类。 结果 比较文本和图像类协议的加权F1得分从13个类别的〜50K项目中的文本和图像类协议进行比较。视觉检查还验证了结果。 f1_score（加权）基本modelpairwisemulticlass0.6130.889binary0.6610.645 f1_score（加权）基本模型 f1_score（加权） 基本模型 成对 Multiclass0.6130.889 多类 0.613 0.889 binary0.6610.645 二进制 0.661 0.645 专注于多级工作，班级计数的内聚力随着模型而改善。 左：基础，完整的嵌入，Argmax在Cosine相似性Modelity Modelity Modelity：成对锦标赛模型中使用Crossratioimage评分的特征子发现作者
https://github.com/doc1000/pairwise_classification
您将在哪里使用它
实际应用在大规模的搜索中，其中推理速度很重要，而模型成本支出是一个问题。它对于在注释过程中查找错误也很有用 - 大型数据库中的错误分类。
结果
专注于多级工作，班级计数的内聚力随着模型而改善。 左：基础，完整的嵌入，Argmax在Cosine相似性Modelity Modelity Modelity：成对锦标赛模型中使用Crossratioimage评分的特征子发现作者
方法：通过均值评分确定的嵌入子维度的余弦相似性的成对比较
矢量分类的一种直接方法是使用余弦相似性将图像/文本嵌入与类嵌入进行比较。它相对较快，需要最小的开销。您还可以在嵌入式（逻辑回归，树，SVM）上运行分类模型，并无需进一步的嵌入而定位类。