LLM自动构建基线检验深度学习增益

Caleb Ellington 等人提交的论文提出，用大语言模型为 36 个来自 Nature、Science 和 Cell 系列期刊的监督分类与回归任务自动构建简单基线，以检验深度学习方法的真实增益。 结果显示，这些基线中位数恢复了从平凡预测器到深度学习模型之间 95.5% 的差距（均值 85.7%）；在 12 项研究中，中位数简单基线达到或超过深度学习模型的表现。 作者据此认为，自动基线构建可作为物理与生命科学领域深度学习贡献的实用、可扩展检验手段。这一结论来自该论文，尚属作者主张。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。