部分揭示面板预测：预测信息增益、分配与粗化一致算子

arXiv:2610.22831v1 公告类型：新 摘要：我们研究部分揭示面板预测问题：给定上一轮对话中 $n$ 名标注者投票里的 $k$ 票，预测下一轮面板的完整计数分布。这种跨轮次预测信息不同于同一项目的标注价值。在任意嵌套揭示机制下，总体递减量满足 $V(k)-V(k+1)=I(Y;R_{k+1}\mid X_k)$；拟合模型还会贡献相邻的超额风险差异。完全随机粗化（CCAR）掩码提供了算子中所使用的可交换随机标注者解释。我们定义了与粗化一致的面板算子，并给出其闭式 Dirichlet-multinomial 实现、学习式补全以及标注者数量迁移。相较于逐层查表，冷启动计数负对数似然差异在 IEMOCAP/M3ED/EmoWOZ 上分别为 -0.422/-0.166/-0.014 纳特。一项留出标注者实验测量了同一项目的价值：新增第一票和第二票分别使 NLL 降低 0.583/0.221、0.578/0.184 和 0.180/0.069 纳特。跨轮次增益与同一项目增益不可互换，CCAR 掩码是受控干预，而不是观测到的到达过程。一致性是可审计的，但并不保证预测性能提升；逐层边际化可能优于共享表。无目标分配仅在行级信号可预测时优于均匀分配：在预算为 1 时，它在 IEMOCAP/M3ED 上恢复了回顾性特征类别提升空间的 83--93%，但未改善 EmoWOZ。增益幅度有限且依赖语料库，并且存在若干较小或为零的部分揭示差异。代码和聚合结果工件随预印本一并提供。