Label Imitation Game：利用 Turing 測試網路提升偽標籤精準度
偽標籤雖能大幅擴增資料規模，但易受幻覺影響。研究提出 Label Imitation Game，利用 Turing Test Network 以全局情境審核偽標籤，提升三大視覺語言模型的標籤準確度。實驗顯示，僅訓練於分類資料的 TTN 亦能有效修剪偵測偽標籤，將最差類別 F1 提升 28%，微調後更達 44%。此方法亦促成零召回類別的恢復。
背景與挑戰
在基礎模型的偽標籤流程中，僅靠零樣本推論即可產生大量標註，然而這些偽標籤常因模型幻覺而錯誤，傳統的閾值過濾難以根除。
Label Imitation Game 框架
研究提出以圖靈測試概念為靈感的 Label Imitation Game（LIG），將偽標籤修剪視為對抗式審問。透過 LIG 訓練一個任務無關的 Turing Test Network（TTN），作為資料集範圍內的「裁判」評估每筆偽標籤的可信度。
實驗與結果
在四個多樣化資料集上，TTN 與三種最先進的視覺‑語言模型結合，皆顯著提升偽標籤的正確率。特別是，僅在影像分類資料上訓練的 TTN，亦能成功修剪複雜的物件偵測偽標籤，使最差基線類別的 F1 分數提升 28%，經任務特定微調後提升至 44%。此外，TTN 的修剪還能「解毒」訓練訊號，使下游模型在原本零召回的類別上恢復表現，出現所謂的 Category Revival。
技術意涵
TTN 所學的語意‑情境邏輯提供了空間‑幾何驗證的堅固替代方案，展現了零樣本任務轉移的可能性。研究團隊已將預訓練的 TTN 模型與程式碼公開於 GitHub，供社群進一步探索與應用。
git clone https://github.com/voxel51/ttn.git延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
