面向稳定灵敏度控制的集成阈值校准

精确的召回率控制在大规模空间对齐和实体匹配任务中至关重要，其中即使遗漏少数真实匹配也会破坏下游分析，而过度的手动审核则会导致成本增加。经典的置信区间切割（如 Clopper-Pearson 或 Wilson）提供召回率的下界，但常常目标偏差多个百分点，并在不平衡得分分布下表现出高的运行时变动性。我们提出一个端到端框架，实现召回率精确控制，同时在数百万几何对之间保持亚百分点变动。我们的管道从等网格边界框过滤和压缩稀疏行（CSR）候选表示开始，将配对枚举减少两个数量级。一个确定性的 xxHash bootstrap 样本训练轻量级神经排序器；其得分通过单次前向传播传递给剩余所有配对，并用于构建可重复的、基于得分分位数的校准集。四种互补阈值估计器——Clopper-Pearson、Jeffreys、Wilson 和 exact quantile——通过逆方差加权聚合，然后跨九个独立子样本融合。该集成相较于任何单一方法显著降低阈值变动性。在两个真实地籍数据集（约631万和6734万配对）上评估，我们的方法始终在小误差范围内达到召回率目标，减少了其他校准方法的冗余验证次数，且在单个 TPU v3 核心上完成端到端运行。