标签缺失反成优势？换个损失函数就翻车，分类效率竟随部署目标反转！
Decision-Target Reversal under Informative Label Missingness
📖 AI 总结
该研究探讨了信息性标签缺失对分类决策的影响，核心发现是：即使数据生成模型和统计实验保持不变，信息性部分分类在某一种损失函数下可能有利，在另一种损失函数下却可能不利，作者将这一现象称为“决策目标反转”。针对二分类高斯判别问题，研究推导了局部成本敏感的超额风险展开式，并在一维情形下得到了风险排序发生反转的显式临界代价比；进一步通过损失特定的主动边界曲率将分析推广至多分类有限动作问题，构建了一般性的决策目标前沿。蒙特卡洛实验验证了预测的反转现象，一项以一致性定义标签可用性的胃肠道病变描述性应用则展示了对部署成本的敏感性。研究结论表明，信息性缺失是否有利取决于统计实验与部署决策之间的关系，而非实验本身的固有属性。
🔑 关键词速览
| 信息性标签缺失 | 标签缺失的模式本身携带关于分类判别结构的信息，而非完全随机缺失。 |
| 决策目标反转 | 同一统计实验在不同部署损失函数下，信息性缺失的有利性发生反转的现象。 |
| 超额风险展开 | 对分类器相对于贝叶斯最优风险的额外风险进行局部成本敏感的泰勒展开。 |
| 活动边界曲率 | 多类问题中决策边界在损失函数影响下的局部弯曲程度，用于刻画决策目标前沿。 |
| 决策目标前沿 | 描述不同部署目标下信息性缺失有利性变化的一般性边界或权衡曲线。 |
📱 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