本文提出了基于切片的学习方法，通过划分关键数据子集和引入注意力机制来针对性地提高机器学习模型在关键数据子集上的性能表现。在跨越语言理解、计算机视觉和生产规模工业系统的数据集上，该方法在保持参数有效性的同时，在切片和总体 F1-score 上分别提高 19.0 和 4.6 个百分点。

Sep, 2019

机器学习中的 slice discovery algorithm 对于模型表现下降等问题提供了一种新方法，相关的使用者研究表明这种方法比 naïve baseline 更好，但是在假设形成的环节上仍然存在挑战，因此在设计和评估新的工具时需要关注使用者。

Jun, 2023

本文介绍了一种 “发现，解释，改进” 的框架，以系统研究片段检测模型在自然语言处理中的量化评估，准确发现高错误率的数据点，提高模型性能。

Nov, 2022

本文探讨了基于切片学习的方法来提高基础对话路由系统的性能，通过定义一组标签函数来生成针对尾部意图的弱监督数据，并将基线模型延伸至切片感知的体系结构，以监视和提高对选定尾部意图的模型性能。应用于商业对话 AI 系统中的非身份识别实时数据，实验结果显示，切片感知模型有助于提高尾部意图的模型性能同时保持整体性能。

Apr, 2021

该研究提出了一个交互式框架 Slice Finder，使用统计技术找到可解释的子集去诊断模型的问题，应用包括识别模型公平性和欺诈检测等。

Jul, 2018

本文利用混合注意力的方法扩展了 slice-based learning (SBL)，学习了切片感知的双重关注模型，实验证明这种方法在监测切片上比基准方法和原始 SBL 方法表现更好。

Jun, 2021

通过切片参数空间，我们针对机器学习算法提出新的信息理论泛化界限，证明切片可以提高泛化，并通过压缩模型的失真来收紧泛化界限，从而实现对神经网络的信息理论泛化界限的计算。

Jun, 2024

本文提出一种称为模型切片的算法，通过将模型分割成多个组，使其能够在既定的计算资源预算内动态地提供预测结果，从而在有效地支持按需工作负载的基础上实现弹性推理成本。

Apr, 2019

本文提出了利用切片优化数据采集的方法 Slice Tuner，通过维护学习曲线并使用凸优化来选择不同切片的数据量，以便在保证准确性和公平性的同时优化模型。在使用众包数据采集的真实数据集上评估了 Slice Tuner，并证明了其显著优于传统基线算法。

Mar, 2020

本文介绍了面向高维输入的自动 SLICE 发现方法，以便于对机器学习模型进行更有针对性的优化，通过设计了一个基于数量的评估框架，发现了命名为 Domino 的自动 SLICE 发现方法，在三个输入领域中能够发现出大约 36% 的 SLICE, 这比以前的方法有了很大的改进，而且 Domino 还可以提供自然语言的 SLICE 描述。

Mar, 2022