Pag-unawa sa safety policy ng annotator gamit ang interpretability
Orihinal na pamagat:Understanding Annotator Safety Policy with Interpretability
AI summary
Maaaring magmula ang annotation disagreement sa operational failure, malabong policy, o value pluralism. Ang Annotator Policy Models (APMs) ay isang interpretable model na natututo ng intrinsic safety policy ng annotator mula lamang sa annotation behavior, nang walang karagdagang pasanin. Ipinakita ng validation na lumalampas sa 80% ang accuracy ng modelo, tapat nitong nahuhulaan ang counterfactual edits, at naibabalik ang mga kilalang pagkakaiba. Sa paglalapat ng APMs sa LLM at human annotator, nabubunyag ang pagkakaiba ng interpretasyon ng iba't ibang annotator sa safety instruction (malabong policy) at ang sistematikong pagkakaiba ng iba't ibang demographic group sa safety priority (value pluralism), na sumusuporta sa mas naka-target, transparent, at inklusibong disenyo ng safety policy.
Mahahalagang impormasyon
- Maaaring magmula ang annotation disagreement sa operational failure,malabong policy,o value…
- Ang Annotator Policy Models (APMs) ay isang interpretable model na natututo ng intrinsic safety…
- Ipinakita ng validation na lumalampas sa 80% ang accuracy ng modelo,tapat nitong nahuhulaan ang…
- Sa paglalapat ng APMs sa LLM at human annotator,nabubunyag ang pagkakaiba ng interpretasyon ng…
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- Apple Machine Learning Research(RSS)
- Kategorya
- Mga Papel at Pananaliksik
- AI na marka
- 56
我觉得 APMs 把标注分歧的根源从「猜」变成了「看」,对安全团队澄清政策模糊和价值观差异挺有实操价值,代码也给了,做对齐的可以上手试。
Pinagmulan at copyright
Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.
Paano banggitin
Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.
Orange News: Pag-unawa sa safety policy ng annotator gamit ang interpretability. 6 Hulyo 2026. https://new.nat6.net/fil/news/cmr9jb1wn007eihe8jhd6zhrj/