Metric-Dependent Annotation Saturation for Learning from Label Distributions
当注释者对某个标签存在分歧时，分歧本身就带有信号，而捕获该信号所需的注释者数量取决于评估指标。我们根据从 ChaosNLI（一个为每个项目提供 100 个独立注释器判断的数据集）二次采样的标签分布来微调 NLI 模型，并识别与度量相关的饱和度。在我们的 3 类 NLI 设置中，熵相关性（模型是否识别哪些项目引起分歧）需要 N ≈ 20-50 个注释器才能收敛，而分布匹配（KL 散度）则达到 N ≈ 10 饱和（五个模型的改进为 87-95%……
Scientists Find the Hidden “Fuel” That May Intensify Tropical Clouds
深层、清洁的对流云可以达到较高的过饱和度，从而使气溶胶加剧云的生长。微小的气溶胶颗粒可以改变云的行为，但科学家们长期以来一直在争论它们是否真的能让热带风暴云变得更强。这个问题很重要，因为深对流云有助于塑造降雨、闪电和气候，但 [...]
