研究人员引入了集成多样性优化（EDO），这是一个预测空间框架，通过统一的微分目标联合优化集成权重、有效基数和校准。EDO通过Gumbel-Softmax松弛端到端地学习集成组成，并引入带符号的多样性正则化器，以引导优化过程保留或抑制分歧。

  • 在四个主观文本分类基准（ArMIS, ConvAbuse, HS-Brexit, MD-Agreement）上的实验表明，与Soft-CE和Top-5 Voting等基线相比，EDO将交叉熵降低了40-78%。
  • 该方法在保持具有竞争力的F1分数的同时降低了Brier分数，并与标注者分布更好地对齐。

这些结果表明，联合优化集成结构并配合带符号的多样性正则化器，为监督学习中对人类主观性进行建模提供了一种高效、与模型无关的方法。