STELAR Tech Brief #3: Az elfogultságot figyelembe vevő adatkiegészítés az élelmiszer-biztonsági kockázatok azonosításához

A mezőgazdasági és élelmiszer-biztonsági gépi tanulás során fellépő torzítások – mint például az osztályok közötti egyensúlyhiány, a nyelvi eltérések és a szöveghosszúságbeli következetlenség – rontják a modell pontosságát. Ez a tanulmány egy strukturált feldolgozási folyamatot mutat be, amely az adatok értékelése, tisztítása (duplikátumok eltávolítása, hiányzó értékek kezelése jellemzőkeverés segítségével) és célzott kiegészítése révén enyhíti ezeket a problémákat. Egy 10 módszerből álló keretrendszer (pl. szinonimacsere, stílusátvitel, szövegösszefoglalás) öt osztályban összesen 16 szintetikus adatpontot generál, jelentősen javítva a kiegyensúlyozott pontosságot. A finomhangolt BART-modellek és a ChatGPT 4.0 konzisztens, alacsony veszteségű szintetikus adatokat állítanak elő. Az olyan technikák, mint a kitöltés, a kódolás és a jellemzők kiválasztása, növelik a robusztusságot. A megközelítés csökkenti a számítási költségeket, miközben megőrzi a kontextuális pontosságot, így skálázható, felelősségteljes mesterséges intelligencia-megoldást kínál az élelmiszer-veszélyek azonosításához. Az EU által finanszírozott STELAR-projekt (támogatási azonosító: 101070122) része, amelyet Vivek Kumar vezet a Müncheni Bundeswehr Egyetemen.