机器学习比较多个随机种子，波动范围怎样报告？

两种机器学习方法在同一数据集上分别报出零点八五和零点八六的指标，稿件称后者“显著更优”。但两个数字可能分别来自一次幸运的随机初始化。模型训练、数据拆分、采样和数据增强都可能引入波动；若不说明变动来源和重复次数，读者无法判断百分之一的差距是否稳定。投稿时要先界定随机种子影响的是哪一步，再用相同规则比较方法。

NeurIPS论文清单要求误差条说明捕捉的是训练测试拆分、初始化还是其他随机因素，并交代计算资源。实验计划可预先固定评估数据，改变初始化与训练随机数，观察同一拆分下的训练波动；若研究问题关注换一批训练病例是否仍稳定，还要在合适的患者或机构分组层级重复拆分。两种波动不能混成一个标准差，因为它们对应不同的泛化问题。

比较甲乙两法时，先让它们跑同一套拆分与种子。例如同一组数据拆分、相同评估集和预先列定的一组种子，分别训练甲乙模型，再计算每次成对差值。若甲试了五十个种子只挑最好一次，乙只跑五次取平均，比较不公平。固定种子能帮助复现一次运行，却不证明算法稳定；多个种子能观察训练波动，也不能替代外部数据验证。记录框架版本、硬件和非确定性算子，说明重复运行能否逐位复现。

结果表给出每个模型的重复次数、中心值、波动范围或区间，并解释统计量计算单位。若给均值加减标准差，注明它跨的是种子还是患者抽样；若各次结果分布偏斜或有离群，展示所有点比对称误差条更直观。成对差的区间若覆盖零，避免写“稳定优于”；即使区间不跨零，也应讨论绝对差是否足以改变实际应用。不要把多个种子当成独立患者来扩大检验样本量。

发散或没收敛的运行，也要留在实验账本里。若某方法十次里两次发散，只报告成功八次的平均性能，会掩盖可用性问题；应列失败次数、预设排除理由和是否重跑。对两种方法采用相同的停止与重试规则，才能解释成对比较。另有文章专门讨论失败运行如何交代；这里关注随机因素与误差条的统计含义，不替代失败日志。

图注应区分“每个点是一种种子”与“每个点是一名患者”，因为读者对区间会作不同解读。模型选择阶段若也比较多个种子，最终评估须固定选择规则，不应事后从所有随机结果挑最高点。需要大量算力时，可选择少量预先确定且对比双方一致的种子，报告计算限制，而不是默默缩减只对不利方法的运行次数。

交稿前让另一位合作者从配置文件与结果表复算平均值、波动范围和成对差。若表中的种子列表对不上日志，或同一个评估集在不同运行中被悄悄重抽，先修实验账本。读者需要知道“一点点更好”在什么随机条件下成立，而不只是两列精确到小数点后三位的数字。