arXiv cs.AI· Xinyu Zhang, Sichao Liu·· 10 天前AI 评分23
神经解码中上下文先验下的置信度排序反转
Confidence-Ordering Reversal under Contextual Priors in Neural Decoding
AI 导读
研究发现，上下文先验在提升神经到语言解码准确率的同时，会让融合后分数产生"置信度排序反转"：在 MEG-MASC 上，区分修复与残留错误的 AUROC 从初始排名 2-3 时的 0.70 降至排名 21-50 时的 0.39，而排名 20 之后的错误占融合后全部错误的 46.6%。
正文 · AI 翻译
摘要：上下文先验通过重塑候选分数来改进神经到语言的解码。然而，置信度是从同样被重塑的分数中读取的，因此先验留下的错误可能变得更加自信，而准确率却没有变化来揭示这一点。我们使用局部解码分数、通过加性浅融合结合的上下文先验，以及融合后的前二边际作为置信度，研究了先验如何在 MEG-MASC 和 MOUS 上塑造语音检索中的置信度。在最初不正确的预测中，我们发现了一种置信度排序反转：当正确候选从局部排名的顶部附近开始时，更大的边际使修复更可能发生，但当它从较低位置开始时，则更不可能。在 MEG-MASC 上，汇总正确性 AUROC 为 0.87，但区分修复与残留错误的 AUROC 从初始排名 2-3 时的 0.70 下降到排名 21-50 时的 0.39。起始排名超过 20 的错误，即位于反转区域内，占所有融合后错误的 46.6%。我们提出了一种分数层面的解释：修复必须首先弥补正确候选的初始差距，这限制了其最终边际，而残留错误则可以在两个不正确候选之间建立大的边际。一种仅改变融合权重的因果干预，会如预测的那样将反转移动到更深的排名。在词级 LM 先验下，它在准确率增益达到峰值后仍继续移动，因此为准确率选择的权重并不能稳定置信度。分别读取局部分数和先验分数可以改进选择性解码：解码器在 74.5% 的窗口上作答，而不是 56.7%，同时 92% 的输出集仍然包含正确候选。上下文融合后的置信度应保留每个预测背后的局部和上下文证据，而不仅仅是融合后的分数。项目网站：此 https URL 代码：此 https URL
| 评论： | 28 页，4 幅图，18 张表 |
| 主题： | 人工智能（cs.AI）；信息检索（cs.IR）；神经元与认知（q-bio.NC） |
| 引用为： | arXiv:2610.08229 [cs.AI] |
| （或 arXiv:2610.08229v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08229 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sichao Liu [查看电子邮件]
[v1]
2026 年 10 月 6 日星期二 12:17:29 UTC（918 KB）
来源：arXiv cs.AI · arxiv.org