arXiv发布候选评分决策模型风险计算研究论文

Agus Sudjianto、Denis Burakov在arXiv发布候选评分决策模型精确风险计算研究论文，以高斯代理模型精确计算该类模型的有限样本风险，分析教师软目标、冻结预训练骨干、温度校准三类训练要素的作用边界。论文指出，学生模型继承教师偏差后，更多学生数据无法消除该偏差；固定表征仅在明确样本量阈值以下降低风险；probit模型下精确重校准映射为温度缩放，仅当教师系数方向正确时才能消除全部超额风险。 该研究基于美国消费者金融保护局的231521条信用卡投诉数据，以投诉是否最终获得金钱赔偿作为决策目标开展验证。结果显示，以逻辑回归教师模型的概率为监督训练的学生模型，决策成本与教师持平；以真实结果为监督训练的学生模型，决策成本比教师低8%；30B参数大模型零样本读取后，即便经过重校准，表现仍差于教师模型，偏离一致性条件17.5个decian。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。