ภาพรวม

MinDiff เป็นเทคนิคการแก้ไขแบบจำลองที่พยายามทำให้การแจกแจงทั้งสองเท่ากัน ในทางปฏิบัติ สามารถใช้เพื่อสร้างสมดุลระหว่างอัตราข้อผิดพลาดในส่วนต่างๆ ของข้อมูลของคุณ โดยการลงโทษความแตกต่างในการแจกแจง

โดยทั่วไป คุณจะใช้ MinDiff เมื่อพยายามรับประกันความยุติธรรมของกลุ่ม เช่น การลดความแตกต่างในอัตราบวกลวง (FPR) หรืออัตราลบลวง (FNR) ระหว่างส่วนของข้อมูลที่เป็นของคลาสที่ละเอียดอ่อนและส่วนแบ่งที่มีประสิทธิภาพดีกว่า สำหรับการอภิปรายเชิงลึกเกี่ยวกับตัวชี้วัดความเป็นธรรม โปรดทบทวนวรรณกรรมในหัวข้อนี้ 1 2 3

MinDiff ทำงานอย่างไร?

จากตัวอย่างสองชุดจากชุดข้อมูลของเรา MinDiff จะลงโทษโมเดลระหว่างการฝึกอบรมสำหรับความแตกต่างในการกระจายคะแนนระหว่างสองชุด ยิ่งทั้งสองชุดมีความแตกต่างได้น้อยกว่าจะขึ้นอยู่กับคะแนนการทำนาย บทลงโทษที่จะนำมาใช้ก็จะยิ่งน้อยลงเท่านั้น

การปรับโทษจะใช้โดยการเพิ่มส่วนประกอบให้กับการสูญเสียที่แบบจำลองใช้สำหรับการฝึก ถือได้ว่าเป็นการวัดความแตกต่างในการกระจายตัวของการทำนายแบบจำลอง ในขณะที่โมเดลรถไฟจะพยายามลดการลงโทษโดยนำการแจกแจงมาใกล้กันมากขึ้น ดังที่แสดงในกราฟด้านล่าง

กราฟเปรียบเทียบ MinDiff

การใช้ MinDiff อาจมาพร้อมกับข้อดีข้อเสียในแง่ของประสิทธิภาพในงานเดิม MinDiff สามารถมีประสิทธิผลในขณะที่ไม่ทำให้ประสิทธิภาพลดลงเกินความต้องการของผลิตภัณฑ์ แต่การตัดสินใจสร้างสมดุลระหว่างประสิทธิภาพและประสิทธิผลของ MinDiff ควรกระทำโดยเจตนาโดยเจ้าของผลิตภัณฑ์ สำหรับตัวอย่างที่แสดงวิธีนำ MinDiff ไปใช้ โปรดดู สมุดบันทึกกรณีศึกษาการแก้ไขแบบจำลอง

ทรัพยากร