专家标签有分歧不是错！新方法保留区间分歧，海冰预测MAE直降31%
Uncertainty-Aware Learning from Multi-Expert Interval Targets
📖 AI 总结
该研究针对多专家标注场景中标签不确定性的建模问题提出新方法。当多位专家对同一观测给出不同但合理的区间标注时，监督信号中同时包含标签内部不精确性和专家间分歧两类不确定性，而现有方法往往将二者割裂处理：多专家方法倾向于合并为共识标签，区间目标方法通常只输出单一预测，预测不确定性方法则很少用实际专家分歧来验证其估计。为此，作者提出保留每位专家的独立区间，将标签内部不精确性与专家间差异分离建模，并验证相应的预测不确定性分量。方法包括：将异构标签词表统一到共同概率标签空间，以区分编码差异与专家判断；用Beta混合分布保留个体区间，并以适当的Cramér距离目标训练；将预测不确定性分解为组内、组间和模型不确定性，并引入分解匹配机制使预测分量与标签侧来源对齐。在海冰浓度数据上，该方法较硬标签降低31%的平均绝对误差，并优于聚合、区间分布和区间回归等基线。
🔑 关键词速览
| 多专家区间目标 | 指多个专家对同一观测提供区间形式的标签，而非单一精确值，从而同时包含标签内不精确性和专家间变异。 |
| 标签内不精确性 | 单个专家报告的区间所固有的不确定性，反映该专家对自身判断的不精确程度。 |
| 专家间变异 | 不同专家对同一观测给出的标签之间的差异，可能源于真实分歧或模糊性，而非标注错误。 |
| 混合Beta分布 | 一种概率分布模型，用于对区间标签进行建模，能够保留不同专家报告的区间信息。 |
| 分解匹配 | 一种将预测不确定性成分与标签侧不确定性来源对齐的方法，确保预测成分对应其预期的标签不确定性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅