新环境中多个预训练模型感知错误上基于一致性溯因推理
人工智能
2026-03-23 v6 计算机视觉与模式识别
机器学习
计算机科学中的逻辑
摘要
由于分布偏移，预训练感知模型在新环境中的部署通常导致性能下降。尽管近期用于元认知的人工智能方法使用逻辑规则来刻画和过滤模型错误，但提高精确率通常以降低召回率为代价。本文探讨了利用多个预训练模型可以缓解这种召回率下降的假设。我们将识别和管理来自不同模型的冲突预测的挑战表述为基于一致性的溯因问题，建立在溯因学习（ABL）思想之上，但将其应用于测试时而非训练时。输入预测和从每个模型导出的已学习错误检测规则被编码在逻辑程序中。然后，我们寻求一个溯因解释——即模型预测的一个子集——在确保逻辑不一致率（源自领域约束）保持在指定阈值以下的同时，最大化预测覆盖率。我们针对这一知识表示任务提出了两种算法：一种基于整数规划（IP）的精确方法和一种高效的启发式搜索（HS）。通过在具有受控、复杂分布偏移的模拟航空影像数据集上的大量实验，我们证明了基于溯因的框架优于单个模型和标准集成基线，例如，与最佳单个模型相比，在 15 个不同的测试数据集上，F1 分数平均相对提升约 13.6%，准确率提升约 16.6%。我们的结果验证了将基于一致性的溯因作为一种有效机制，能够在具有挑战性的新场景中稳健地整合来自多个不完美模型的知识。
引用
@article{arxiv.2505.19361,
title = {Consistency-based Abductive Reasoning over Perceptual Errors of Multiple Pre-trained Models in Novel Environments},
author = {Mario Leiva and Noel Ngu and Joshua Shay Kricheli and Aditya Taparia and Ransalu Senanayake and Paulo Shakarian and Nathaniel Bastian and John Corcoran and Gerardo Simari},
journal= {arXiv preprint arXiv:2505.19361},
year = {2026}
}
备注
Accepted to AAAI 2026. Code available at https://github.com/lab-v2/EDCR_PyReason_AirSim