📖 AI 总结

本文提出了一种名为GCUL的几何引导选择性分类框架，用于文本情感分类中的歧义识别。现有选择性分类方法通常依赖置信度分数、预设覆盖率约束或实例级距离度量来拒绝不确定样本，容易忽视难分样本在学习表示空间中的整体几何结构。GCUL通过初始化、聚类和显式重标注三个阶段，将误分类和歧义实例识别为表示空间中的潜在混淆吸引子，使拒绝边界从底层表示几何中自然涌现，而非由预设拒绝率决定。研究还推导了选择性分数和几何充分条件，用于判断拒绝机制能否带来正向操作效用，支持部署前的可行性评估。实验显示，GCUL将DistilBERT准确率从89.37%提升至94.98%，拒绝率低于9%；选择性分数成功预检出所有基线方法均失败的GoEmotion数据集，受控模拟中第一类错误率为6.1%、第二类错误率为0%。该工作表明，集体表示几何为选择性预测提供了有价值的替代视角。

🔑 关键词速览