Impacto del ruido en etiquetas sobre la exactitud del modelo
Experimento #42 · 22/11/2026 11:13 · VUPPIA SOFÍA
¿Qué nos preguntamos?
En el contexto del aprendizaje supervisado, una pregunta recurrente es si entrenar con etiquetas ruidosas (es decir, con errores de anotación) degrada la capacidad de generalización del modelo frente a entrenar con etiquetas limpias. La hipótesis que probamos fue: el modelo entrenado con datos etiquetados de forma limpia (brazo clean) tendrá mayor exactitud en un conjunto de prueba limpio que el modelo entrenado con datos ruidosos (brazo noisy).
¿Cómo lo medimos?
Utilizamos la exactitud en test limpio como métrica principal. Se entrenaron dos versiones de la misma arquitectura de red neuronal, una con el conjunto de entrenamiento limpio y otra con el mismo conjunto pero con ruido introducido en las etiquetas. Cada brazo se evaluó sobre el mismo conjunto de prueba limpio (sin ruido). Los resultados se resumen a continuación:
Tamaño de la muestra (n): 24 experimentos por brazo.
Media de exactitud (brazo clean): 0.869833
Media de exactitud (brazo noisy): 0.564625
Intervalo de confianza 95 % para la diferencia: [0.292896, 0.317833]
Valor p: 5 × 10⁻⁵ (muy significativo)
Los valores fueron calculados con una prueba t de dos muestras independientes, asumiendo varianzas iguales, lo que permite comparar directamente las medias de los dos grupos.
Qué dio
Los números hablan por sí mismos:
El brazo clean alcanzó una media de exactitud de 86.98 %, mientras que el brazo noisy solo llegó al 56.46 %.
La diferencia media entre ambos brazos es 0.305208 (≈30 puntos porcentuales), y el intervalo de confianza del 95 % ([0.292896, 0.317833]) no incluye el cero, lo que indica que la diferencia es estadísticamente fiable.
El valor p de 5e‑05 está muy por debajo del umbral habitual de 0.05, lo que nos permite rechazar la hipótesis nula de que no hay diferencia entre los dos entrenamientos.
En síntesis, el experimento muestra que entrenar con etiquetas ruidosas degrada significativamente la exactitud del modelo cuando se evalúa en datos limpios.
Qué significa (y qué no)
Significado
Capacidad funcional: El resultado mide una capacidad funcional del algoritmo (su habilidad para generalizar), no una experiencia subjetiva ni evidencia de conciencia.
Robustez al ruido: La robustez al ruido de supervisión es limitada en la configuración probada; la presencia de errores en las etiquetas reduce notablemente la precisión del modelo.
Implicaciones prácticas: En proyectos de IA donde la calidad de la anotación es variable, invertir en una mayor calidad de etiquetado puede traducirse en mejoras sustanciales de desempeño sin necesidad de arquitecturas más complejas.
Lo que NO implica
No se afirma que todos los algoritmos se comporten igual; la conclusión es válida para la arquitectura y los datos específicos del experimento.
No se está midiendo la conciencia del modelo ni su capacidad de “sentir” el ruido; solo se evalúa una métrica de desempeño objetivo.
No se puede generalizar a dominios con muy pocos datos o a tareas donde la métrica de exactitud no sea la más adecuada.
En conclusión, este experimento confirma de forma estadísticamente robusta que las etiquetas limpias son esenciales para mantener alta exactitud en pruebas limpias, y que el ruido en la supervisión es un factor crítico que debe ser gestionado en cualquier pipeline 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.