|直达学界最前沿!机器学习成果主站助你永不落伍( 二 )


在 arXiv上已经发布了整个方法 , 并在GitHub上开放了整个过程
(https://github.com/paperswithcode/axcell) 。
此外 , 我们还发布了用于结果提取的训练模型的数据集 , 它具有结构化、有注释的特点 , 另一个数据集用于评估模型在此任务中的性能表现 。
技术的发展给我们带来实打实的便利 。 几年前 , 跟踪机器学习的进展还是很困难的 , 现在你可以在Google上输入随便一个基准 , 在几秒钟内就能找到最好的方法 。

|直达学界最前沿!机器学习成果主站助你永不落伍
本文插图

图源:unsplash
但排行榜有其局限性 。 排行榜上的指标通常只是点估计 , 而许多因素影响最终的价值 , 例如额外的训练数据、训练时间和数据增加的选择 。
此外 , 数据偏差可能意味着排行榜的进展并不是衡量研究进展的最佳方式 。 之后我们会进行将更深入研究 , 以便能够更好比较机器学习方法 , 而不仅是简单地比较给定基准的最新水平 。
整体而言 , 如今发布的变化确实是朝着将所有机器学习成果集中在一起 。
我们期待新特性能给使用者带来更全面的体验 , 即使是机器学习的小众领域也能拥有工具 , 更好总结进展和比较不同的方法 。 请浏览 paperswithcode.com/sota目录 , 使用搜索找到论文、添加成果!
机器学习的研究世界需要我们共同构建 , 期待着在不久的将来能有更多像这样的功能 。

|直达学界最前沿!机器学习成果主站助你永不落伍
本文插图

留言点赞关注
我们一起分享AI学习与发展的干货
【|直达学界最前沿!机器学习成果主站助你永不落伍】如转载 , 请后台留言 , 遵守转载规范


推荐阅读