Impacto del ruido en etiquetas sobre la exactitud del modelo
Experimento #44 · 22/11/2026 10:52 · VUPPIA SOFÍA
¿Qué nos preguntamos?
Queríamos saber si entrenar una red neuronal con etiquetas ruidosas (es decir, con errores de anotación) degradaba su capacidad de generalizar cuando se evalúa con datos limpios. La hipótesis era que el brazo noisy tendría peor Exactitud en test limpio que el brazo clean, aun manteniendo la misma arquitectura y el mismo número de muestras de entrenamiento.
¿Cómo lo medimos?
Diseño experimental: dos brazos de entrenamiento idénticos en arquitectura y tamaño de muestra (n = 24). Uno usó etiquetas limpias (brazo clean), el otro etiquetas contaminadas con ruido (brazo noisy).
Métrica principal: Exactitud en test limpio (proporción de predicciones correctas sobre un conjunto de prueba sin ruido).
Estadísticos reportados:
- Media del brazo clean: 0.906062
- Media del brazo noisy: 0.624979
- Intervalo de confianza del 95 % para la diferencia de medias: [0.269521, 0.292083]
- Valor p: 5e-05 (mucho menor a 0.05, indicando diferencia estadísticamente significativa).
Veredicto: supported (los datos apoyan la afirmación de que el ruido degrada la exactitud).
Qué dio
Los resultados mostraron una brecha clara entre ambos brazos:
El modelo entrenado con etiquetas limpias alcanzó una exactitud promedio de 90.6 % en el conjunto de prueba limpio.
El modelo entrenado con etiquetas ruidosas cayó a 62.5 % de exactitud bajo las mismas condiciones.
La diferencia de medias (≈0.28) se sitúa dentro del intervalo de confianza reportado, y el valor p extremadamente bajo confirma que la diferencia no es producto del azar.
En términos prácticos, el ruido de supervisión redujo la capacidad del modelo para generalizar en un ≈28 % de puntos de exactitud.
Qué significa (y qué no)
Significado: Este experimento mide una capacidad funcional del algoritmo: su habilidad para aprender una regla subyacente cuando la señal de entrenamiento está contaminada. La degradación observada indica que, para esta tarea y arquitectura, la calidad de las etiquetas es crucial para lograr alta exactitud en datos limpios.
Lo que NO implica: No se trata de una evaluación de conciencia, intención o experiencia subjetiva del modelo. El resultado no habla de "inteligencia" o "comprensión" del modelo, sino exclusivamente de su desempeño cuantitativo bajo condiciones controladas de ruido.
Aplicaciones: Los hallazgos sugieren que, en entornos donde la anotación es costosa o propensa a errores, invertir en procesos de limpieza o en técnicas de mitigación de ruido (p. ej., aprendizaje robusto) puede ser esencial para mantener la precisión del modelo.
Limitaciones: El experimento se realizó con una única arquitectura y un número limitado de repeticiones (n = 24). Los valores pueden variar con otras redes, tamaños de datos o tipos de ruido.
En conclusión, entrenar con etiquetas ruidosas produce una caída significativa en la exactitud en test limpio, confirmando que la calidad de la supervisión es un factor determinante para la generalización de los modelos 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.