MIND：通过潜在流形解耦分离模型诱导的标签噪声

由预训练专家和基础模型驱动的自动标注学习范式主导了数据密集型应用。然而，这引入了一个关键挑战：模型诱导的标签噪声。与经典鲁棒学习中的随机噪声不同，这种噪声源于标注器的归纳偏置，表现为与局部特征流形紧密耦合的系统性错误。现有依赖全局转移矩阵的方法对这些结构模式拟合不足，而学习实例特定矩阵在数学上仍难以处理。我们提出了模型诱导噪声解耦（MIND），一个解决此困境的理论框架。我们证明，高维噪声流形可以通过潜在流形解耦被分解为可处理的、依赖于子空间的分量。具体而言，我们的潜在解耦估计器（LDE）将样本动态投影到具有一致错误模式的潜在结构簇中，从而在无需真实锚点的情况下促进噪声可识别性。为了严格评估鲁棒性，我们采用了一个分层协议：从CIFAR-100上的受控噪声测试，到大规模真实世界3D数据集（S3DIS， ScanNet）上的结构性压力测试，其中错误模式与几何流形明确耦合。实验证明，MIND在这些复杂基准上显著优于最先进的方法，并能有效纠正视觉-语言模型（如OpenSeg）的零样本幻觉，突显了其作为基础模型鲁棒蒸馏框架的潜力。