PML-CD：以置信度校准指导标签消歧

基于摘要分析。该研究针对部分多标签学习（PML）：每个样本的候选标签既包含相关标签，也混有无关标签。作者提出 PML-CD，将课程式标签消歧的权重设计与模型预测置信度校准联系起来，以改进过度标注条件下的分类学习。 核心机制：摘要指出，既有方法主要利用记忆效应进行课程学习，但采用非自适应权重函数，且最优权重缺乏理论指导。作者首先形式化最优权重函数，并提出其等价于预测置信度的校准；随后设计可迁移校准器，以正样本置信度直方图为输入，输出训练所需的课程权重。此外，方法加入原型对齐正则化。最优性的假设、正样本的具体定义、校准器的监督来源与迁移条件，以及正则化的数学形式尚未验证。 结果与证据边界：作者报告，在 Pascal VOC、MS-COCO、NUS-WIDE 和 CUB 上，PML-CD 优于现有先进 PML 方法。摘要未给出具体指标、数值、候选标签构造方式、数据划分或基线配置，因此不能量化收益或判断不同实验的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于候选标签含假阳性的 EEG 多标签任务，而非自动适用于所有 EEG 分类问题。迁移假设是，置信度分布能提供区分相关与无关标签的稳定信息。可复用部分是校准驱动的课程加权；需改造 EEG 表征、原型定义及校准器的训练方式。低信噪比、跨被试或通道变化可能使置信度失准，小数据也可能使直方图与原型估计不稳定。可在具有可靠多标签真值的 EEG 小规模数据上，仅向训练标签注入受控假阳性，在固定跨被试划分下比较自适应与非自适应权重，并同时检查分类表现及校准误差。已有 EEG 相关工作尚未检索确认。