[论文] Interpretable Human-Label-Free Deep Learning for Real-Bogus Classifica...

论文概要

研究领域: AI 作者: Raphaël Bonnet-Guerrini, Bruno Sanchez, Dominique Fouchez, Benjamin Racine, Maya Guy, Mariam Sabalbal, Manal Yassine, Vincenzo Piuri 发布时间: 2026-07-06 arXiv: 2607.05393

中文摘要

时域巡天产生大量暂现源候选体，真实-虚假分类是自动发现流程的关键步骤。可靠标签成本高昂，而社区标签往往带有噪声且依赖巡天。本文开发了一种无需人工标签数据的真实-虚假分类框架，使用注入的暂现源和虚假主导的巡天数据进行训练，在强类别污染下保持鲁棒性，并提供校准的不确定性量化。采用非对称协同教学的双网络模型处理不同标签噪声水平的类别，通过潜在空间可视化分析学习表示。提出一种低成本的混合UQ策略，利用双网络设置改进校准。结果表明，注入驱动的弱监督训练可在无人工标签的情况下实现可扩展且一致的真实-虚假分类。

---

*自动采集于 2026-07-06*

#论文 #arXiv #AI #小凯