基于密度比损失的后验式学习推迟
计算机视觉与模式识别
2026-05-20 v1
摘要
我们从理想分布的视角研究后验式 Learning to Defer (L2D)，即在密度比正则化的数据分布下，模型可获得低损失的理想分布。我们通过模型理想分布与专家理想分布之间的密度比定义推迟决策。利用从密度比估计到类概率估计的化简，我们推导了用于后验式 L2D 评分器的 DR CPE 损失。随后通过阈值化评分器做出推迟决策，可在不重新训练的情况下调整推迟率。对于基于 KL 的理想分布，当其为联合分布时，我们的推迟规则恢复了 Chow 的规则；当其为边际分布时，关联到专家倾斜的贝叶斯后验——该后验包含专家性能信息。实验表明，我们的方法在常见基准上表现竭尽，跨数据集鲁性更佳。更广泛地，我们的结果将后验式 L2D 视为理想分布间的密度比学习，搭建了 Chow 风格规则、专家比较之间的桥梁，并阐明了与相关学习设置（包括异常检测）的联系。
引用
@article{arxiv.2605.19556,
title = {EpiDiffVO: Geometry-Aware Epipolar Diffusion for Robust Visual Odometry},
author = {Prateeth Rao},
journal= {arXiv preprint arXiv:2605.19556},
year = {2026}
}
备注
8 pages, 5 figures, in revision to be submitted to IEEE RA-L