从多专家区间目标中进行不确定性感知学习

arXiv:2610.00102v1 公告类型：新摘要：许多机器学习（ML）应用依赖专家标注，而具备资质的专家可能会对同一观测给出不同但都合理的解释。专家标注之间的这种差异可能反映真实的分歧或歧义，而非标注错误。当不同专家进一步报告区间而非精确值时，监督信号中便包含两种不同来源的标注不确定性：标注内部的不精确性和专家之间的差异。现有方法通常将这两种形式分开处理：多专家方法会将标注合并为共识，区间目标方法通常只产生单一预测，而预测不确定性方法很少根据观测到的专家分歧来验证其不确定性估计。为解决这一问题，我们提出一种保留各个专家区间的方法，将标注内部的不精确性与专家之间的差异分离开来，并验证相应的预测不确定性成分。首先，我们将异构的标注词汇统一到一个共同的概率标注空间中，从而区分编码差异与专家判断。其次，我们保留单个标注区间，并使用基于适当 Cramér 距离目标训练的 Beta 分布混合模型对其进行建模，从而保留专家报告的不同标注。第三，我们将预测不确定性分解为成分内部不确定性、成分间不确定性和模型不确定性，并评估这些成分是否分别对应于标注内部不确定性、标注间不确定性和模型误差。由于这种对应关系并非必然成立，我们引入分解匹配，将预测成分与其预期的标注侧来源对齐。在海冰浓度任务上，该模型相较于硬标注将 MAE 降低了 31%，并且优于聚合、区间分布和区间回归基线方法。