LWCal：带有噪声校准标签的表格分类器的损失加权校准

arXiv:2609.26839v1 公告类型：新 摘要：事后概率校准通常在乐观假设下进行评估：保留的校准标签是干净的。然而，在许多人工智能部署设置中，标签来自弱注释器、历史决策、启发式或远程监督，因此破坏训练的相同标签噪声也会破坏校准。我们研究了表格分类器这种被忽视的故障模式，并提出了 LWCal，这是一种仅使用 CPU 的事后校准器，它可以降低校准示例的权重，这些校准示例的噪声标签与基本模型的保留概率相矛盾。 LWCal 不需要干净的验证标签，不需要噪声率估计，也不需要对基分类器进行重新训练。第二种变体，Gated-LWCal，添加了一个保守的分歧门，当校准分割显得极其不一致时，该门会向原始分数后退。在九个本地二进制表格任务、六个随机种子、对称和不对称标签损坏以及三个基于树的基学习器上，LWCal 获得最低的平均校准误差，而 Gated-LWCal 获得最佳平均正确分数权衡。在针对 432 个噪声单元的主要随机森林研究中，相对于原始分类器，Gated-LWCal 将预期校准误差从 0.188 降低到 0.122，将负对数似然从 0.438 降低到 0.396。门控 LWCal 与原始、Platt、等渗和 beta 校准的配对引导间隔在 ECE、Brier 评分和 NLL 上排除零。该工件包含所有脚本、结果表、图形和编译的论文。