UbiQVision：用于图像识别 XAI 中的不确定性量化
计算工程、金融与科学
2025-12-24 v1 综合经济学
最优化与控制
经济学
摘要
深度学习的近期进展使其在医学成像等多个领域得到广泛应用。这一进展得益于不断发展的模型架构，如 ResNet、Vision Transformer 和混合卷积神经网络，虽然提升了性能，但也带来了更大的复杂性。这种复杂性往往会损害模型的可解释性和可解释性。SHAP 已成为提供可解释可视化效果、帮助领域专家理解模型预测的主流方法。然而，在存在认识不确定性和 aleatoric 不确定性时，SHAP 解释可能不稳定且不可靠。本研究通过使用 Dirichlet 后验抽样和 Dempster-Shafer 理论来量化这些不稳定解释在医学成像应用中产生的不确定性。该框架采用信念、合理和融合图方法，辅以统计定量分析，以对 SHAP 的不确定性进行量化。此外，我们在三个医学成像数据集上对该框架进行了评估，这些数据集在类别分布、图像质量和模态类型上各不相同，引入了由于图像分辨率和模态特性差异导致的噪声，涵盖了病理、眼科和放射科的实例，引入了显著的认识不确定性。
引用
@article{arxiv.2512.20286,
title = {Replacing Gas with Low-cost, Abundant Long-duration Pumped Hydro in Electricity Systems},
author = {Timothy Weber and Cheng Cheng and Harry Thawley and Kylie Catchpole and Andrew Blakers and Bin Lu and Jennifer Zhao and Anna Nadolny},
journal= {arXiv preprint arXiv:2512.20286},
year = {2025}
}