GoEmotions

深度分析

cSG-MCMC＋軟標籤：在凍結RoBERTa上提升GoEmotions標註分佈忠實度與不確定性可解釋性

情感分類存在標註者分歧與概念模糊。研究在凍結的RoBERTa線性頭上結合循環SG-MCMC與軟標籤訓練，從五個軸向評估不確定性品質。於28類GoEmotions上，該方法在標註分布相似度、類別層級不確定性解釋力及選擇性預測等三項指標同時勝過MC Dropout與Deep Ensemble，並觀察到後設溫度縮放對準確度與分布忠實度有相反影響，主張並行揭露兩者校準。