反事实门控支持域分解：分离训练数据过滤中的选择与再分配

arXiv:2610.19343v1 公告类型：新投稿 摘要：训练数据质量门控既会改变输入空间各区域内哪些样本得以保留，也会改变训练数据量在这些区域之间的分布，因此，门控与随机选择的比较无法将这两种机制分离。我们提出反事实门控支持域分解（CGSD），这是一种预算匹配的四组设计，将门控资格与支持域分布交叉组合，并将观测到的门控效应分解为支持域内选择、支持域间再分配及二者的交互作用。实际约束在于有限数据池中的可实现性：我们刻画了构建所需各组的数据量条件和词元组装条件，并指出一种支持域消失的情形，在该情形下常规设计无定义。在韩英和韩日检索任务中，平均支持域内选择分量是唯一超出其校准零假设区间的分量（留出集条目数分别增加29.7和5.6；30/30次重复均为正值），其中韩英任务的证据确凿，韩日任务的证据则处于临界水平；在现有统计功效下，再分配与交互作用仍无法判定。对于第二类无关的门控机制——基于模型置信度阈值而非确定性验证器的门控——以其自身的零假设为基准进行评估时，也呈现出相同模式（增加27.3个条目，9/9次重复均为正值），因此该结果并非某一种门控机制特有的性质。在数学门控上，零合格样本的支持域使常规设计在所有预算下均无定义，而扩展设计仅能在狭窄的预算区间内构建；穷举扫描定位了这些区间，但自然运行点并未落入其中——组装条件由此区分了数据池本身的性质与打包器的局限。因此，CGSD会返回分解结果、可构建但统计功效不足的设计，或明确的不可构建结论，并说明属于哪一种情况；它可防止支持域再分配被不加说明地解释为样本层面的门控质量。