通过超球面空间与重平衡准确性—不确定性损失实现意图检测的置信度校准

基于摘要分析。本文研究用户查询意图检测中预测置信度与实际准确性不匹配的问题，提出结合超球面标签表示和重平衡准确性—不确定性损失的校准方法；主要研究对象是自然语言意图检测，而非 EEG 或 BCI。 核心机制包括两部分：将标签向量均匀投影到超球面空间，生成稠密标签表示矩阵，以缓解作者所归因于稀疏 one-hot 标签表示过拟合的过度自信；根据样本的准确性与不确定性进行重平衡，引导模型训练。摘要未说明球面表示的维度、构造方式、预测置信度的计算方法，以及损失的具体形式与权重，尚不能据此还原实现。 作者报告，在公开数据集上的实验优于已有校准方法，并在校准指标上取得显著改善。但摘要未给出数据集名称、划分、对照方法、指标名称或数值；“显著”是否具有统计检验依据尚未验证。实验协议、消融及统计信息尚未验证，也需核对校准改善是否伴随分类准确性的变化。 平台推测（待验证）：该方法依赖分类标签表示，以及训练样本准确性和不确定性的估计，可能对应 EEG 分类器置信度失真这一瓶颈。可尝试复用标签几何表示与重平衡思路，但需适配 EEG 编码器、类别结构及被试划分；原领域结果不等于 BCI 有效性。低信噪比可能使不确定性估计不稳定，跨被试及通道变化可能使训练期校准失效，小数据下的重平衡也可能放大噪声样本影响。一个可检验的小实验是假设：在固定 EEG 编码器与严格跨被试划分下，分别加入两项机制及其组合，与原训练方式和温度缩放比较，同时报告 Accuracy、预先指定的校准指标和各被试差异，判断是否在不牺牲分类性能的前提下改善校准。相关 EEG 工作尚未检索确认。