Gini-Index enthüllt: Wie Klassifikationsmodelle Ungleichheiten ausgleichen

In Klassifikationsaufgaben sind die seltenen Minderheitsklassen oft die entscheidendsten, doch ihre Genauigkeit bleibt häufig hinter den Spitzenklassen zurück. Forscher haben nun den Gini-Index als Werkzeug zur Erkennung und Optimierung dieser Ungleichheiten in promptbasierten Klassifikationen untersucht.

Durch die Messung von Gini-Werten in realen Sprach‑ und Bildmodellen konnten die Autoren zeigen, dass ein deutlicher Unterschied zwischen schwachen und starken Klassen sowohl bei hochdimensionalen als auch bei niedrigdimensionalen Aufgaben besteht. Der Index dient dabei nicht nur als Indikator für relative Genauigkeitsdominanz, sondern auch als direkter Optimierungsparameter.

Auf Basis dieser Erkenntnisse wurde ein post‑hoc, modellunabhängiger Bias‑Minderungsansatz entwickelt. In Experimenten mit Few‑Shot-News‑, Biomedizin‑ und Zero‑Shot‑Bildklassifikationen senkte die Methode sowohl relative als auch absolute Genauigkeitsungleichgewichte signifikant, stärkte die schwächsten Klassen und reduzierte die Dominanz der Top‑Klassen.