编辑推荐：
梯度提升决策树（GBDTs）在表格数据方法中处于领先地位；然而，其在 corrupted labels 下的比较鲁棒性仍不明确。研究人员通过受控基准协议解决了这一不确定性，其中库身份是唯一自由变量，从而将观察到的差异归因于实现而非调优、数据分割或噪声实现，并且
梯度提升决策树（GBDTs）在表格数据方法中处于领先地位；然而，其在 corrupted labels 下的比较鲁棒性仍不明确。研究人员通过受控基准协议解决了这一不确定性，其中库身份是唯一自由变量，从而将观察到的差异归因于实现而非调优、数据分割或噪声实现，并且在报告任何排序之前强制进行容量、噪声下限和数据集选择混杂检查。研究人员在 OpenML Curated Classification benchmark suite 2018（OpenML-CC18）的 15 个数据集上，跨四种噪声率与三种随机种子，于对称、非对称成对翻转和实例依赖标签噪声下对极端梯度提升（XGBoost）、轻量梯度提升机（LightGBM）和类别提升（CatBoost）进行基准测试。干净数据上调优的配置在各噪声条件下固定。预测性能为干净测试集上的宏平均 F1 分数（macro-F1），退化为相对于各库在同一数据集上自身干净数据分数的 macro-F1 绝对下降，因此下述恢复值均为 macro-F1 的绝对百分点。排序取决于噪声率与噪声模型：在对称或非对称噪声下 10% 率时无非分离；对称噪声下自 20% 浮现分离，非对称噪声下仅 40% 时浮现；实例依赖噪声下随率升高而减弱。在 40% 对称与非对称噪声下，CatBoost 的每数据集退化显著低于 LightGBM（Friedman 检验，均 p<0.05），平均秩 1.20 对 2.47 与 1.20 对 2.67，XGBoost 居中（分别为 2.33 与 2.13），且仅在对称噪声下可与 CatBoost 分离。40% 实例依赖噪声下排序消失：未检测到显著库排序（p>0.05），性能差距小于合并种子标准差的两倍，表明 GBDT 鲁棒性结论依赖于噪声模型。排序也随评估维度变化：LightGBM 观测均值中特征重要性最稳定，校准排序依赖噪声模型，CatBoost 训练损失是最强错标检测信号。仅在对称噪声下，小损失重加权显著改善三库，早停为 LightGBM 恢复至多 8.5 百分点；缓解措施未在非对称或实例依赖噪声下评估。对实践者而言，这意味着库与缓解措施应与预期噪声过程共同选择：当可能存在标签条件噪声且以准确率为目标时优选 CatBoost；高率特征依赖噪声下不期望任何库获得鲁棒性；对称噪声下应用早停或小损失重加权，二者均有显著收益且早停对 LightGBM 帮助最大；当部署依赖校准、错标可检测性或重要性稳定性时依维度选择，因排序随维度而异。
研究背景方面，梯度提升决策树（GBDTs，Gradient-Boosted Decision Trees）在学术基准与工业实践中均为表格监督学习最强方法之一，XGBoost、LightGBM、CatBoost 三大开源实现常被依据干净数据基准或熟悉度选中，但真实标签噪声（label noise）普遍存在于众包标注、自动标注流水线与专家分歧中，实际噪声率常达 5–30%。已有文献缺乏在受控条件下对三库系统比较的证据：最接近工作仅测 XGBoost 单库，早期噪声敏感性研究早于 LightGBM 与 CatBoost 成熟，深度学习噪声鲁棒方案不直接迁移至树集成。该研究发表于《Algorithms》，旨在以库身份为唯一自由变量的受控协议填补此缺口。
研究人员开展的研究为：在 OpenML-CC18 的 15 个数据集（1000–48842 样本，2–26 类）上，以 60/20/20 分层分割与种子 42–44，向仅训练标签注入对称、非对称成对翻转（pair-flip）、实例依赖三类噪声，率取 0.1/0.2/0.3/0.4；各（数据集，库）对在干净数据上以 20 次随机搜索调参后冻结，主臂固定 500 树无早停；评测头条为干净测试集 macro-F1，估计量为相对自身干净基线的退化（degradation）绝对百分点；多数据集排序经 Friedman 检验接 Nemenyi 事后检验，辅以 Wilcoxon 符号秩检验，并强制容量、噪声下限（间隙大于两倍合并种子标准差 0.018）、数据集选择三混杂检查；超越准确率维度补充预期校准误差（ECE）、基于每样本训练 log-loss 的错标检测 AUPRC、增益特征重要性 Spearman 稳定性；缓解措施仅对称噪声下测早停（50 轮耐心）与小损失重加权（降权最高损 10% 样本至 0.1 后重训）。
研究结果如下。
4.1 标签条件噪声下库鲁棒性：对称噪声 0.1→0.4 时 CatBoost 平均退化 0.021→0.162，LightGBM 0.033→0.236，XGBoost 0.030→0.228；0.1 率无分离，0.2 起对称浮现分离，0.4 率 Friedman 显著（对称 p<0.05 秩 1.20/2.33/2.47，非对称 p<0.05 秩 1.20/2.13/2.67）；实例依赖噪声下 0.2 显著（CatBoost 秩 1.47），0.4 不显著（p>0.05，最佳最差 macro-F1 差 0.009<0.018），即标签条件噪声越高库选择越重要，特征依赖噪声下近乎无关。
4.2 统计显著性与临界差：0.4 率对称噪声 CatBoost–LightGBM 秩距 1.07>临界差，非对称 1.40，实例依赖无非显著对；二元集上非对称等价于对称翻转，多类四集不显著，故非对称结论主要由二元标签反转驱动。
4.3 混杂检查：容量检查中 CatBoost 在 12 个噪声条件中 10 个获最高绝对噪声 macro-F1，调参-默认消融保序；噪声下限检查对称/非对称 0.4 率宏差 0.069/0.061>0.018，实例依赖 0.009<0.018；数据集级结果显示 CatBoost 非全域优于他库，Friedman 按秩聚合吸收异质。
4.4 超越准确率维度：LightGBM 各条件下特征重要性 Spearman 稳定性均值最高，XGBoost 最低；CatBoost 每样本训练损失错标检测 AUPRC 各条件最高（对称 0.4 率 Wilcoxon p<0.05 对 XGBoost）；校准 ECE 随噪声模型变：对称 LightGBM 最低，高非对称 XGBoost 最低，实例依赖 CatBoost 最低，但 0.4 率配对 Wilcoxon 均不显著。
4.5 缓解有效性（仅对称）：0.4 率小损失重加权三库 Wilcoxon 均显著（p<0.05），早停 LightGBM/CatBoost 显著、XGBoost 边际；观测均值早停为 LightGBM 恢复 8.5 百分点、CatBoost 4.3 百分点；缓解后库差缩小不消失，重加权 CatBoost 0.765 仍高于早停 LightGBM 0.735。
4.6 不平衡与噪声交互：0.4 率退化对多数类占比回归无显著关系（p>0.05），属探索性低功效分析。
讨论部分指出，CatBoost 默认 Plain 提升非 ordered boosting，候选机制为其 oblivious（对称）树强制同级同分裂的结构正则限制了对单错标点低支撑区刻画，标签条件噪声与特征独立故该正则利好，实例依赖噪声聚于边界使各库皆须分裂故分离减弱；此解释为事后推测未隔离机制。实践推荐按预期噪声过程与部署维度选库与缓解，缓解证据仅限对称噪声。威胁效度含合成噪声、11/15 二元致非对称等效、实例依赖生成器 0.05 阈值未做敏感分析、干净数据调参可能不优噪、三种子受限、单 GPU 非确定、CC18 非穷举、指定版本号。
结论部分翻译：研究人员提出受控基准比较 XGBoost、LightGBM、CatBoost 于三标签噪声模型跨 15 数据集。CatBoost 在对称与非对称（标签条件）噪声下退化显著更低；但最高率实例依赖噪声（模糊依赖错标合成代理）下无统计显著库排序，观测差距小于种子变异性。超越准确率各维度排序不一：LightGBM 特征重要性观测均值最稳，校准排序依赖噪声模型，CatBoost 损失信号为最有效错标检测。当疑有标签条件噪声且重准确率时 CatBoost 最优；LightGBM 特征稳定性均值最高（配对不显著），校准随模型变；对称噪声下小损失重加权三库显著受益，早停对 LightGBM 恢复最大；缓解未扩至他噪声模型。框架支持 1755 主网格与逐单元工件追溯，待扩展为机制消融与含非对称/实例依赖的缓解网格。
