神经网络校准度量的解耦

当前大量精力投入到保障自动驾驶系统安全上，这类系统高度依赖深度神经网络进行计算机视觉。我们研究了不同神经网络校准度量之间的耦合，特别关注区域下限稀疏化误差曲线（Area Under the Sparsification Error curve, AUSE）指标。我们阐述了使用预期校准误差（Expected Calibration Error, ECE）确定最优校准的已知不一致性，并为 AUSE、不确定性校准得分（Uncertainty Calibration Score, UCS）以及不确定性校准误差（Uncertainty Calibration Error, UCE）演示了类似问题。我们得出结论，当前方法留下了一个自由度，这会阻止为安全关键功能唯一的模型校准。此外，我们提出将 AUSE 作为残余不确定性的间接度量，该不确定性对固定网络架构不可逆，由底层数据生成过程的随机性（aleatoric 贡献）以及假设空间的限制（epistemic 贡献）所驱动。