判决类比：不确定感知分类的新视角

单次 pass 不确定性量化 (UQ) 方法通过预测类概率向量上可计算分布来表示不确定性。虽然现有方法主要关注增强该分布的表达能力，但往往对预测不确定性的结构和聚合方式提供有限的洞见，导致可解释性较差。我们提出了判决类比，将不确定感知分类概念化为由类别特定倡导者组成的结构化辩论。每个倡导者形成概率意见，通过基于输入依赖的可信度权重对这些意见进行聚合，以达成最终判决。在此框架下，每个倡导者的意见建模为 Dirichlet 分布，其浓度参数分解为共享证据和类别特定倡导。这导致一种具有可解释参数的结构化 Dirichlet 混合分布。为实例化此表述，我们提出了 Mixture of Dirichlet EXperts (MoDEX)，一种单 pass 神经网络架构，用于预测判决参数，实现高效且富有表达力的 UQ，同时显式建模不确定性聚合。我们展示了 MoDEX 具备强大的理论属性，并在多样化基准上实现了 UQ 的 SOTA 水平，yielding 可解释的不确定性估计，并具有有意义的语义。