CASE：用于模糊感知选择性预测的竞争假设
计算机视觉与模式识别
2026-05-05 v1
摘要
标准的选择性预测方法通常从单一预测分支的输出估计不确定性。虽然有效用于一般不确定性估计，但这些方法在部分可观测性情况下常常难以应对，因为局部时间证据可能相互矛盾，标准置信度分数变得误导。我们引入CASE（Competing Hypotheses for Ambiguity-Aware Selective Prediction，竞争假设用于模糊感知选择性预测），这是一种选择性预测框架，通过显式比较结构化的时间解释来确定是否提交决定或放弃。由于真正的模糊导致竞争假设之间的得分间隙崩溃，CASE优化了对这些假设间隙的排序感知选择器，以在全局上将安全承诺与根本不确定的决策区分开来。我们在隐藏连接推断问题上评估了该框架，利用受巨型单层膜 vesicles（GUVs）动力学启发的受控、物理建模的模拟器，以及零样本定性迁移（无需重新训练或微调）到代表性的真实GUV视频。我们的实验表明，对竞争假设进行显式推理在指标之间提供了更好的平衡。与规范性不确定性基线相比，CASE在整体无放弃准确率、三向准确率和整体模糊对齐放弃（在80%覆盖率下）方面实现了统计显著的提升。具体而言，在 very-high 模糊体系中，CASE实现了最高达11.0%的相对整体对齐提升，以及最高达8.8%的三向准确率提升。通过在80%覆盖率下保持与最佳基线相当的选择性风险边界，并在90%覆盖率下将整体风险降低9.9%，该框架提供了一种更可靠的结构化模糊下的决策方法。
引用
@article{arxiv.2605.01346,
title = {CHASE: Competing Hypotheses for Ambiguity-Aware Selective Prediction},
author = {Kartik Jhawar and Yuhao Geng and Atul N. Parikh and Lipo Wang},
journal= {arXiv preprint arXiv:2605.01346},
year = {2026}
}