面向多实例不确定性估计的弱监督残差证据学习

不确定性估计（UE）作为量化预测不确定性的有效手段，对安全可靠的决策尤其重要，特别是在高风险场景中。现有的 UE 方法通常假设存在完全标记的样本来支持完全监督学习。然而，实际情况下，许多 UE 任务缺乏足够的标记数据，例如仅具有弱实例标注的多实例学习（MIL）。为填补这一差距，本文首次针对多实例不确定性估计（MIUE）的弱监督问题提出解决方案，并提出一种新的基线方案：多实例残差证据学习（MIREL）。特别地，在仅受弱监督的情况下进行粗粒度实例不确定性估计，我们通过对称函数基本定理导出多实例残差算子。基于该算子推导，我们进一步提出 MIREL，用于联合建模 MIUE 的袋级和实例级高阶预测分布。广泛的实验经验表明，我们的 MIREL 不仅能够让现有的 MIL 网络在 MIUE 上表现更好，还能在大幅度上超越代表性的 UE 方法，尤其是在实例级 UE 任务中。我们的源代码已公开 https://github.com/liupei101/MIREL。