研究者提出无真值监督的参考空间校准框架

Jackson Eshbaugh 与 Jorge Silveyra 提出一种校准优先框架，可在没有真值标签、也没有共享标注空间的条件下生成监督分数：先通过合成序数参考空间对齐各子集评分器，再进行融合。 在三个基准数据集上，该框架的表现优于未校准的平均，主指标点估计超过最佳单一评分器；绝对差异在 Ames Housing 上低于 0.02，在 Breast Cancer Wisconsin 与 Wine Quality 上低于 0.01。论文称代码已公开。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。