数据、标签与数据生成过程

训练数据不是从现实中自然掉落的一组表格。对象怎样被观察、哪些样本被保留、标签由谁按照什么规则给出，组成了数据生成过程。模型会学习这个过程留下的规律，也会继承其中的遗漏、偏差和错误。

样本先经历选择

数据采集总有边界。在线服务只记录已经访问的用户，遥感样本只覆盖传感器观测到且通过质量筛选的区域，故障记录只包含被发现并上报的事件。未进入数据的部分不会自动出现在训练结果中。

抽样过程若与目标相关，就会形成选择偏差。例如只用晴天影像训练地物分类器，部署到多云地区时表现可能下降；只从活跃用户收集反馈，可能忽略已经离开的用户。扩大数据量不能消除系统性缺失。

标签是任务定义的实现

标签把业务概念转成可学习目标。什么算“建筑损坏”、一篇文章属于哪个主题、一次交易是否异常，都需要操作规则。标签指南含糊时，不同标注者会采用不同判断，模型最终学习到的可能是标注习惯而非目标概念。

有些标签来自后续结果或系统记录，看似客观，仍可能包含流程偏差。未被检查的设备不会有故障标签，被拒绝的申请也可能没有后续结果。把缺失结果当作负例会改变任务含义。

标签噪声并非只有录入错误

录入错误、边界模糊、时间错位和类别定义变化都会形成标签噪声。同一地块在采集后发生变化，影像与现状调查标签就可能不一致；旧政策下的风险类别也不能直接代表新政策目标。

检查标签需要抽样复核、标注者一致性分析和疑难样本回看。高一致性也不保证标签正确，因为所有标注者可能共同遵循了错误指南。权威来源和任务负责人仍需参与定义。

数据划分要尊重生成过程

随机拆分会在相似样本之间泄漏信息。相邻遥感切片、同一用户的多条记录或同一文档的不同段落若分散到训练集和测试集，评价结果可能过于乐观。按地点、时间、主体或数据来源分组，往往更接近真实部署边界。

测试数据应尽量代表未来使用条件，并保持到最终评价阶段。若团队反复查看测试结果并据此调参，测试集已经参与了训练决策，需要新的独立数据确认。

数据适用性需要持续维护

NIST AI RMF 要求在使用情境中识别和管理数据及模型风险。数据清单应记录来源、许可、采集时间、标签规则、排除条件、已知缺口和责任人。模型上线后还要监测输入分布和标签含义是否变化。

《Deep Learning》讨论了数据生成分布与泛化的关系。实践中的核心判断是：训练样本通过什么机制产生，这个机制与部署环境有多相似。只有回答这个问题，数据量和标签数量才有解释价值。

资料依据

• National Institute of Standards and Technology：Artificial Intelligence Risk Management Framework 1.0，https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
• Ian Goodfellow、Yoshua Bengio、Aaron Courville：《Deep Learning》在线版，https://www.deeplearningbook.org/