新研究发现异常排序确认策略减缓新类别学习

Argyro Sasli 与 Michael Coughlin 发布论文《Anomaly-ranked confirmation slows new-class learning》。研究在物理、医学和计算机视觉领域的5个基准测试中评估该策略：异常检测器标记新类别成员并排序，由分类器优先学习排名最高者。结果显示，在3种系统中，按此顺序确认新类别成员导致其识别率显著低于确认相同数量的随机成员。研究者指出，在2种系统中，将后续选择权交还给分类器可部分恢复识别损失。该发现提示当前异常排序确认流程对新类别学习存在负面影响，优化顺序或决策机制或可提升效果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。