地球化学数据分析中，封闭效应导致成分数据伪相关性。传统统计方法未考虑这一约束，可能产生误导。为解决此问题，提出了加性对数比变换、中心化对数比变换和等距对数比变换等方法，以便用常规统计分析处理成分数据。

本研究提出了一种自引导的伪相关性缓解框架，自动构建细粒度训练标签，以提高分类器对伪相关性的鲁棒性。通过识别不同的预测行为并结合新颖的伪相关度量，证明了无需事先知识即可减少伪相关性依赖，并在多个数据集上优于现有方法。

本文讨论了机器学习中的伪相关性问题，介绍了一种降低对伪相关性敏感度的训练模型方法和资源，并实验证明该方法在情感分析和自然语言推理任务上表现良好。