BUMP 现象：置换对齐神经网络线性插值中测试准确率在端点附近短暂提升

研究发现，置换对齐神经网络的线性插值存在 BUMP 现象，即测试准确率在靠近端点时短暂提升，随后向中点下降。 该现象在多个数据集、架构及训练方案中保持一致，且在早停检查点及极端剪枝等扰动下依然稳健，排除了常规正则化效应。 基于此提出权重预测混合集成方法，其在测试准确率和校准权衡上持续优于标准 logit 集成。