本文提出了一种名为 LabelTrust 的通用工具，用于为机器学习中的样本-标签映射（SL-Mappings）生成置信度分数。SL-Mappings 是机器学习模型训练与推理的核心，其正确性直接关系到模型的安全性与可靠性，尤其是在面临投毒攻击时。现有的数据集清洗方法和预测置信度评分方法通常各自独立，缺乏同时适用于训练样本和模型预测的统一工具，且存在依赖特定模型架构、需要大规模数据集、或无法提供有意义的置信度分数等局限性。LabelTrust 基于孪生网络（Siamese Network），通过少样本学习（few-shot learning）进行训练，仅需极少量干净样本，且与数据集和模型架构无关。该工具提出了两条流水线，分别用于数据集清洗和预测置信度评分，从而弥补了现有独立方法的不足。实验表明，LabelTrust 能够有效检测样本和预测中的投毒攻击，其一次性训练开销仅为 34.56 秒，且每个 SL-Mapping 的评估时间不超过 1 秒，具有较高的实用效率。该研究的核心贡献在于提供一个轻量级、通用且可解释的 SL-Mapping 置信度评分工具，为机器学习模型的可信预测与数据质量保障提供了新的解决思路。