论文用核岭回归加mRMR改进高效基准测试的题目子采样。
资讯摘要
论文将高效基准测试重新表述为带特征选择的多元回归问题，提出在预测阶段改用核岭回归，并用最小冗余最大相关（mRMR）算法挑选题目子集。作者报告，除数据极少的情形外，该方法在多种基准和二元、连续指标上取得更低的MAE与RMSE，以及更高的Spearman ρ和Kendall τ排序相关性；mRMR子采样也比需拟合概率模型或聚类的对比方法更快，且在不同随机种子或数据划分下更易选中相同题目。
要点速读
- 论文把用部分题目预测完整基准分数的问题视为带特征选择的多元回归，预测阶段使用核岭回归。
- 采用mRMR选择题目子集，作者报告在多数设置下预测误差更低、排序相关性更高。
- mRMR子采样速度快于涉及概率模型拟合或聚类的对比方法，且选题结果更稳定；教程代码已公开。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。