Buchumschlag

How Many Ratings per Item are Necessary for Reliable Significance Testing?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Homan, Christopher, Korn, Flip, Pandita, Deepak, Welty, Chris
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning I.2.6
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Improving Reproducibility in Evaluation through Multi-Level Annotator Modeling
von: Pandita, Deepak, et al.
Veröffentlicht: (2026)

Forest vs Tree: The $(N, K)$ Trade-off in Reproducible ML Evaluation
von: Pandita, Deepak, et al.
Veröffentlicht: (2025)

Beyond Random Sampling: Instance Quality-Based Data Partitioning via Item Response Theory
von: Cardoso, Lucas, et al.
Veröffentlicht: (2025)

Super Apriel: One Checkpoint, Many Speeds
von: Labs, SLAM, et al.
Veröffentlicht: (2026)

Fusing Rewards and Preferences in Reinforcement Learning
von: Khorasani, Sadegh, et al.
Veröffentlicht: (2025)

How Reliable and Stable are Explanations of XAI Methods?
von: Ribeiro, José, et al.
Veröffentlicht: (2024)

Explanations Based on Item Response Theory (eXirt): A Model-Specific Method to Explain Tree-Ensemble Model in Trust Perspective
von: Ribeiro, José, et al.
Veröffentlicht: (2022)

Securing Reliability: A Brief Overview on Enhancing In-Context Learning for Foundation Models
von: Huang, Yunpeng, et al.
Veröffentlicht: (2024)

Descriptive Collision in Sparse Autoencoder Auto-Interpretability: When One Explanation Describes Many Features
von: McCann, Jordan F.
Veröffentlicht: (2026)

Learning Can Converge Stably to the Wrong Belief under Latent Reliability
von: Zhang, Zhipeng, et al.
Veröffentlicht: (2026)

How to Boost Any Loss Function
von: Nock, Richard, et al.
Veröffentlicht: (2024)

Strengthening the Internal Adversarial Robustness in Lifted Neural Networks
von: Zach, Christopher
Veröffentlicht: (2025)

Explainable Graph Representation Learning via Graph Pattern Analysis
von: Wang, Xudong, et al.
Veröffentlicht: (2025)

Superposition Is Not Necessary: A Mechanistic Interpretability Analysis of Transformer Representations for Time Series Forecasting
von: Yıldırım, Alper
Veröffentlicht: (2026)

Deep Memory Search: A Metaheuristic Approach for Optimizing Heuristic Search
von: Hedar, Abdel-Rahman, et al.
Veröffentlicht: (2024)

Is ReLU Adversarially Robust?
von: Sooksatra, Korn, et al.
Veröffentlicht: (2024)

AI and Machine Learning Approaches for Predicting Nanoparticles Toxicity The Critical Role of Physiochemical Properties
von: Yousaf, Iqra
Veröffentlicht: (2024)

Beyond Normality: Reliable A/B Testing with Non-Gaussian Data
von: Gong, Junpeng, et al.
Veröffentlicht: (2025)

The Deterministic Horizon: When Extended Reasoning Fails and Tool Delegation Becomes Necessary
von: Guo, Dongxin, et al.
Veröffentlicht: (2026)

2Mamba2Furious: Linear in Complexity, Competitive in Accuracy
von: Mongaras, Gabriel, et al.
Veröffentlicht: (2026)

How VLAs Fail Differently: Black-Box Action Monitoring Reveals Architecture-Specific Failure Signatures
von: Gupta, Krishnam
Veröffentlicht: (2026)

FluidWorld: Reaction-Diffusion Dynamics as a Predictive Substrate for World Models
von: Polly, Fabien
Veröffentlicht: (2026)

I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation
von: Thil, Lucas, et al.
Veröffentlicht: (2025)

Potential-Based Reward Shaping For Intrinsic Motivation
von: Forbes, Grant C., et al.
Veröffentlicht: (2024)

Interpretable Multi-View Clustering
von: Jiang, Mudi, et al.
Veröffentlicht: (2024)

The Bayesian Confidence (BACON) Estimator for Deep Neural Networks
von: Kee, Patrick D., et al.
Veröffentlicht: (2024)

Pre-Ictal Seizure Prediction Using Personalized Deep Learning
von: Jaddu, Shriya, et al.
Veröffentlicht: (2024)

xLSTM-Mixer: Multivariate Time Series Forecasting by Mixing via Scalar Memories
von: Kraus, Maurice, et al.
Veröffentlicht: (2024)

Representation learning with CGAN for casual inference
von: Weng, Zhaotian, et al.
Veröffentlicht: (2024)

Boosting gets full Attention for Relational Learning
von: Guillame-Bert, Mathieu, et al.
Veröffentlicht: (2024)

Data-Incremental Continual Offline Reinforcement Learning
von: Gai, Sibo, et al.
Veröffentlicht: (2024)

Adaptive Epsilon Adversarial Training for Robust Gravitational Wave Parameter Estimation Using Normalizing Flows
von: Yang, Yiqian, et al.
Veröffentlicht: (2024)

Normalization Layer Per-Example Gradients are Sufficient to Predict Gradient Noise Scale in Transformers
von: Gray, Gavia, et al.
Veröffentlicht: (2024)

Potential-Based Intrinsic Motivation: Preserving Optimality With Complex, Non-Markovian Shaping Rewards
von: Forbes, Grant C., et al.
Veröffentlicht: (2024)

CPT: Competence-progressive Training Strategy for Few-shot Node Classification
von: Yan, Qilong, et al.
Veröffentlicht: (2024)

Learning Useful Representations of Recurrent Neural Network Weight Matrices
von: Herrmann, Vincent, et al.
Veröffentlicht: (2024)

New Paradigm of Adversarial Training: Releasing Accuracy-Robustness Trade-Off via Dummy Class
von: Wang, Yanyun, et al.
Veröffentlicht: (2024)

RobustBlack: Challenging Black-Box Adversarial Attacks on State-of-the-Art Defenses
von: Djilani, Mohamed, et al.
Veröffentlicht: (2024)

Trusted Multi-view Learning under Noisy Supervision
von: Zhang, Yilin, et al.
Veröffentlicht: (2024)

Versatile Ordering Network: An Attention-based Neural Network for Ordering Across Scales and Quality Metrics
von: Yu, Zehua, et al.
Veröffentlicht: (2024)