基于后验证据元模型的引导式不确定性学习
机器学习
2025-09-30 v1
摘要
可靠的不确定性量化仍是深度学习模型在分布迁移情境下部署的主要障碍。现有后验方法要么继承错误的置信水平，要么仅重塑预测结果，却不教会模型何时应保持不确定性。我们引入 GUIDE，一种轻量级的证据学习 meta-model 方法，通过附加在冻结的深度学习模型之上显式学习如何以及何时表达不确定性。GUIDE 通过校准阶段识别关键内部特征，然后利用这些特征构建一种噪声驱动的课程，以教会模型如何以及何时表达不确定性。GUIDE 无需重新训练、无需修改网络结构，也无需手动选择中间层，从而确保广泛适用性并最小化用户干预。生成的模型既避免了从基础模型中蒸馏过度自信，又通过约 77% 提高了基于分布外的检测，通过约 80% 提升对对抗性攻击的检测，同时保持了分布内性能。跨多个基准测试，GUIDE 持续优于最先进的方法，证明了主动引导不确定性以缩小预测置信度与可靠性之间的差距的必要性。
关键词
引用
@article{arxiv.2509.24492,
title = {Guided Uncertainty Learning Using a Post-Hoc Evidential Meta-Model},
author = {Charmaine Barker and Daniel Bethell and Simos Gerasimou},
journal= {arXiv preprint arXiv:2509.24492},
year = {2025}
}