基于LAF的评估与基于UTTL的学习策略及其在MIATTs中的应用

在许多现实世界的机器学习（ML）应用中，由于模糊性或主观性信息，真实目标无法被精确定义。为应对这一挑战，在给定ML任务的真实目标并非客观存在于现实世界的假设下，提出了EL-MIATTs（多不准确真实目标的评估与学习）框架。为在实现EL-MIATTs时架起理论与实践的桥梁，本文开发了两种互补机制：基于LAF（逻辑评估公式）的评估算法和基于UTTL（不可定义真实目标学习）的学习策略及其与MIATTs的结合，二者共同实现在不确定监督下的逻辑连贯且实际可行的建模。我们首先分析任务特定的MIATTs，考察其覆盖度和多样性如何决定其结构性质并影响下游评估与学习。基于此理解，我们构建了基于LAF的评估算法，可直接作用于原始MIATTs或由其合成的三元目标，在可解释性、健全性和完备性之间取得平衡。对于模型训练，我们引入基于UTTL的学习策略，使用Dice和交叉熵损失函数，比较逐目标和聚合优化方案。我们还讨论了LAF与UTTL的整合如何弥合逻辑语义与统计优化之间的鸿沟。这些组件共同为实施EL-MIATTs提供了一条连贯的路径，为在“真实标签”概念本质上不确定的场景中开发ML系统奠定了原则性基础。本研究结果的应用作为研究的一部分呈现，可在https://www.qeios.com/read/EZWLSN获取。