¿Etiquetas ruidosas reducen la exactitud? Experimento de robustez
Experimento #39 · 22/11/2026 11:45 · VUPPIA SOFÍA
¿Qué nos preguntamos?
En el mundo del aprendizaje automático, una duda recurrente es si entrenar una red neuronal con etiquetas ruidosas (es decir, con errores de anotación) empeora su capacidad de generalizar en datos limpios. La pregunta concreta que abordamos fue:
> ¿Entrenar con etiquetas ruidosas degrada la generalización frente a entrenar con etiquetas limpias?
> Mismo modelo, mismo conjunto de prueba limpio.
Este interrogante se plantea como una medida funcional: buscamos cuantificar una capacidad del algoritmo (robustez al ruido de supervisión), no inferir nada sobre experiencia subjetiva o conciencia del modelo.
¿Cómo lo medimos?
Diseñamos un experimento con dos "brazos" de entrenamiento:
Brazo clean: la red se entrenó con un conjunto de datos etiquetado sin errores.
Brazo noisy: la misma arquitectura se entrenó con el mismo número de ejemplos, pero con un porcentaje de etiquetas alteradas aleatoriamente (ruido).
Ambos modelos fueron evaluados en un test limpio (sin ruido) usando la métrica Exactitud en test limpio. Los datos recolectados fueron:
Media del brazo clean: 0.931396
Media del brazo noisy: 0.740021
Intervalo de confianza (95 %): [0.181938, 0.200917]
Valor p: 5 × 10⁻⁵
Tamaño de muestra (n): 24 repeticiones por brazo
El valor p tan bajo indica que la diferencia observada no es atribuible al azar bajo una hipótesis nula de igualdad.
Qué dio
Los resultados fueron claros y consistentes con la hipótesis alternativa:
El brazo clean obtuvo una exactitud promedio de 93.14 %, mientras que el brazo noisy cayó a 74.00 %.
La diferencia de 0.191375 (≈19 puntos porcentuales) supera ampliamente el intervalo de confianza calculado, lo que refuerza la robustez estadística del hallazgo.
El p‑valor de 5e‑05 confirma que la probabilidad de observar tal brecha por azar es menor al 0.01 %.
En términos simples, entrenar con etiquetas ruidosas degrada significativamente la capacidad del modelo de generalizar a datos limpios.
Qué significa (y qué no)
Significado funcional
La métrica muestra que la robustez al ruido de supervisión es una capacidad medible y vulnerable: cuando la señal de entrenamiento está contaminada, la red pierde precisión de manera cuantificable.
Para proyectos que dependen de alta exactitud en entornos controlados, invertir en una curación de datos cuidadosa es esencial.
Lo que no implica
No se trata de una medida de "inteligencia" o de conciencia del modelo; solo evalúa una característica operativa concreta.
No podemos extrapolar que todos los tipos de ruido (por ejemplo, ruido estructurado o adversarial) produzcan la misma magnitud de degradación; el experimento se limitó a ruido aleatorio en etiquetas.
Los resultados son específicos a la arquitectura y al conjunto de datos usado; otras configuraciones podrían mostrar diferentes sensibilidades.
En conclusión, este experimento demuestra de forma funcional que el ruido en las etiquetas es un factor crítico que reduce la exactitud en pruebas limpias, ofreciendo una evidencia estadística sólida para guiar prácticas de anotación y control de calidad en proyectos de aprendizaje automático.
Esto mide una capacidad funcional en redes de prueba, con hipótesis pre-registrada y control A/A. No es evidencia de conciencia ni experiencia subjetiva — VUPPIA investiga esa pregunta, no la declara resuelta.