QuAIL：面向数据损坏的质量感知惯性学习
机器学习
2026-02-04 v1 人工智能
摘要
表格机器学习系统常在数据受非均匀损坏影响的情况下进行训练，包括噪声测量、缺失条目和特征特定偏差。在实际应用中，这些缺陷通常仅通过列级可靠性指标进行记录，而非实例级质量标注，这限制了许多鲁棒性和清洁技术的适用性。我们提出了 QuAIL，这是一种质量感知训练机制，将特征可靠性先验直接嵌入学习过程。QuAIL 通过增强现有模型，添加一个受质量制约的可学习特征调制层，从而在不同可信度特征之间诱导受控适应。这是一种在结构化损坏下稳定优化的方法，无需显式数据修复或样本级重加权。在 50 个分类和回归数据集上的实证评估表明，QuAIL 在随机损坏和值相关损坏均下，均能持续提升神经网络基线的平均性能，尤其在稀疏数据和系统性偏差设置下表现出强鲁棒性。这些结果表明，将特征可靠性信息直接整合到优化动力学中，是面向韧性表格学习的一种实用且有效的方法。
引用
@article{arxiv.2602.03686,
title = {QuAIL: Quality-Aware Inertial Learning for Robust Training under Data Corruption},
author = {Mattia Sabella and Alberto Archetti and Pietro Pinoli and Matteo Matteucci and Cinzia Cappiello},
journal= {arXiv preprint arXiv:2602.03686},
year = {2026}
}