An Assessment of Human vs. Model Uncertainty in Soft-Label Learning and Calibration

En 3 lignesÉtude contrôlée comparant les étiquettes souples humaines vs synthétiques sur MNIST. Les étiquettes humaines améliorent la calibration du modèle et l'alignement avec l'incertitude humaine, au-delà de la simple correction d'erreurs d'annotation. Révèle que la valeur principale réside dans la régularisation et la convergence stable.

Résumé généré par Claude — vérifié par l'humain