摘要
基于TabPFN风格的上下文内预测性能可能因支持标签被破坏而下降。当部署的支持上下文处于缓存、版本锁定、共享或受其他操作约束而无法刷新时，外部自适应流水线仍可利用新获得的高质量证据，而无需修改所提供的上下文。我们提出了StaCOR（稳定性感知耦合正则化输出精炼方法），这是一种针对冻结TabPFN的选择性约束固定上下文精炼方法。StaCOR保持带有噪声的支持上下文不变，并利用辅助高质量证据训练一个轻量级的输出端修正头。正则化多类耦合在参数层面控制修正容量，而选择性决策稳定性（SDS）仅对噪声支持基线预测正确的干净样本施加训练时零边际惩罚；基线的预测错误不受该稳定性项约束。我们在七个表格数据集上进行了评估，包括四个开发基准和三个冻结的外部验证数据集，使用概率和决策指标、配对统计分析、直接上下文替代方法以及服务度量，并检验了对称噪声和实例依赖噪声场景。与正则化仿射校准基线相比，在对称噪声条件下，StaCOR的基准负对数似然（NLL）在统计上与基线不可区分；在实例依赖噪声条件下则产生较小的NLL代价，同时将有害翻转率分别从0.0195降低至0.0124，以及从0.0202降低至0.0124。外部验证结果呈现出相同的决策稳定性趋势，尽管校准基线可能保持更高的Macro-F1。SDS消融实验进一步表明决策保持更加一致，但在某些设置下存在可测量的NLL代价。当上下文修改可行时，直接使用干净样本通常能获得更低的NLL和更高的Macro-F1。因此，StaCOR面向固定上下文或刷新受限的部署场景，适用于在不修改原始服务支持上下文的情况下，寻求更有利的概率-决策权衡的需求。
