arXiv发布候选评分决策模型风险计算论文

2026年10月19日，Agus Sudjianto 与 Denis Burakov 在 arXiv（cs.CL 分区）发布论文《Teacher Supervision, Fixed Representations and Calibration: Exact Risk Calculation for Candidate Score Decision Models》（v1）。该研究在 Gaussian 代理框架下精确计算候选评分模型的风险。分析发现，学生模型会继承教师模型的偏差，单纯增加数据无法消除该偏差；固定表征仅在低于特定样本阈值时能降低风险。进一步验证表明，在 Probit 模型中，温度缩放仅在校正系数方向正确时消除超额风险，方向错误时会产生诊断无法检测的残差；而在 Luce 公理下，评分一致性需满足 log-sum-exp 聚合条件。

AI 根据报道生成 · 3 小时前更新