通过部分识别进行弱监督性能评估

程序化弱监督（PWS）使得无需直接访问真实标签即可进行监督模型训练，利用来自启发式方法、众包或预训练模型的弱标签。然而，真实标签的缺失使模型评估复杂化，因为准确率、精确率和召回率等传统指标无法直接计算。在这项工作中，我们提出了一种新方法来解决这一挑战，将模型评估视为一个部分识别问题，并使用Fr\'echet界估计性能界限。我们的方法无需标记数据即可推导出关键指标的可靠界限，克服了当前弱监督评估技术的核心局限性。通过可扩展的凸优化，我们获得了准确且计算高效的指标界限，包括准确率、精确率、召回率和F1分数，即使在高效维度设置下也是如此。该框架提供了一种无需真实标签即可评估模型质量的稳健方法，增强了弱监督学习在实际应用中的实用性。