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

使用 Slice Discovery Methods (SDMs) 鉴别机器学习模型中的性能差异及其与患者群体之间的相互作用，并提出性别差异导致观察到的分类性能差距的解释。

Jun, 2024

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

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

这篇论文介绍了 VLSlice，一个交互式系统，使用户能够引导性地发现与一致的视觉语言行为相关的连贯表征层次的子群体，称为视觉语言切片，从无标签的图像集中。我们展示了 VLSlice 在用户研究中（n=22）能够快速生成多样高一致性的切片，并公开发布该工具。

Sep, 2023

我们提出了一种识别测试例组的方法 —— 切片发现。我们将一致性定义为切片发现方法应该满足的一个关键属性，即同一切片内的错误预测应该有相同的原因。然后我们使用影响函数来推导一种新的切片发现方法 InfEmbed，它通过返回示例受相似训练数据影响的切片来满足一致性。InfEmbed 简单易用，通过将 K-Means 聚类应用于我们称为影响嵌入的新型表示方法。我们在两个基准测试中展示了 InfEmbed 的优越性，并且通过几个案例研究证明了其在模型调试中的有效性。

Dec, 2023

本文介绍了针对 IR 任务，如何通过错误分析来提高神经排序模型的效果。针对难以处理的实例，我们使用基于切片的学习来提高模型的效果，实验表明这种方法能够提高神经排名模型的效率 2% 左右。

Oct, 2020

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

机器学习和深度学习在医学任务和应用中得到广泛应用，然而，研究人员发现模型在不同敏感属性的子组中表现出偏见。本文通过检测一系列深度学习分割模型在超声波分割任务中的表现来评估模型的不公平性，结果显示即使最先进的深度学习算法也存在不公平行为。这些发现强调了在模型部署到实际场景之前对其进行仔细评估的必要性，以确保道德考量并减轻对患者结果的不利影响的风险。

Dec, 2023