arXiv cs.LG·39 天前★ 2

LWCal：噪声校准标签下的表格分类器损失加权校准

原文标题：LWCal: Loss-Weighted Calibration for Tabular Classifiers with Noisy Calibration Labels

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文提出 LWCal，一种仅用 CPU 的事后概率校准方法，针对校准标签本身含噪声这一被忽视的失效模式，通过降低与基模型预测相矛盾的噪声样本权重来校准。其变体 Gated-LWCal 加入保守分歧门控，在九个表格任务上取得最低校准误差，随机森林实验中 ECE 从 0.188 降至 0.122。方法无需干净验证集、噪声率估计或重训练基分类器。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 事后概率校准默认校准标签干净，标签噪声会同时污染训练与校准。
方法: LWCal 仅用 CPU，按基模型留出概率下调与预测矛盾的噪声校准样本权重，无需干净验证集、噪声率估计或重训练；Gated-LWCal 加入保守分歧门控。
结果: 随机森林主实验中 ECE 从 0.188 降至 0.122，NLL 从 0.438 降至 0.396；九个表格任务上平均校准误差最低。
影响: 弱标注、历史决策或远程监督场景下可直接套用的事后校准方案，无需重训模型即可提升概率可靠性。