Краткое содержание

arXiv:2503.14321v3 Тип объявления: замена-перекрёстная публикация Аннотация: В машинном обучении (ML) часто возникает необходимость выбрать одну из сотен имеющихся натренированных моделей ML исходя из различных целей, таких как точность, устойчивость, справедливость или масштабируемость. Однако зачастую неясно, как сравнивать, агрегировать и, в конечном итоге, находить компромисс между этими целями, что делает эту задачу трудоёмкой и требует экспертных знаний, поскольку цели могут измеряться в разных единицах и шкалах. В данной работе мы исследуем, каким образом цели могут автоматически нормализоваться и агрегироваться, чтобы систематически помогать пользователю ориентироваться вдоль своей Парето-фронта. С этой целью мы делаем несравнимые цели сопоставимыми, используя их кумулятивные функции, аппроксимируемые относительными рейтингами. В результате предложенный нами подход COPA позволяет агрегировать эти цели, учитывая предпочтения конкретного пользователя, позволяя практикам осмысленно перемещаться и искать модели на Парето-фронте. Мы демонстрируем потенциальное влияние подхода COPA как при выборе моделей,