复变单位酉表示作为深度神经网络分类头：用于改进不确定性量化

现代深度神经网络虽然实现高预测精度，但仍表现不佳地校准：其置信度得分无法可靠反映正确性的真实概率。我们提出一种量子启发的分类头架构，将背板特征投影到复变希尔伯特空间，并在学习的酉变换（通过Cayley映射参数化）下演化。通过受控的混合实验设计——训练单个共享背板并比较轻量级可替换头部——我们孤立复变酉表示对校准的影响。在CIFAR-10上的消融研究表明，酉模头（即在Cayley酉变换下演化的复变特征，通过模和softmax读取）实现了预期校准误差（ECE）为0.0146，相较于标准softmax头（0.0355）提升2.4倍，相较于温度缩放（0.0510）提升3.5倍。意外的是，用Born规则测量层取代softmax读取——即量子力学激励的方法——导致校准恶化至ECE为0.0819。在CIFAR-10H人类不确定性基准上，波函数头实现了最低的KL散度（0.336），与人类软标签之间的距离最短，表明复变表示更好地捕捉了人类感知模糊性的结构。我们提供理论分析，将保持范数的酉动力学与校准通过特征空间几何联系，报告在异常分布检测和情感分析上的负结果以界定该方法的适用范围，并讨论其在安全关键应用中的实际意义。代码已公开。