Tag · 3 篇
证据深度学习
分布 鲁棒性与安全13D 视觉与重建1自监督与表征学习1
01 02 03
证据变换网络：将预训练模型转化为证据模型以进行事后不确定性估计
Evidential Transformation Network: Turning Pretrained Models into Evidential Models for Post-hoc Uncertainty Estimation
对视觉研究者而言，ETN 提供了一种即插即用的后处理手段：只需在冻结的预训练分类器 logit 上学习一个样本相关的仿射变换，就能把任意现成模型转成可输出 Dirichlet 证据量的模型，用于 OOD 检测与置信度校准，无需重训或多次前向。
证据神经辐射场
Evidential Neural Radiance Fields
把证据深度学习（evidential deep learning）接进 NeRF 的渲染管线，用单次前向传播同时给出偶然不确定性与认知不确定性，可直接复用到任何需要逐像素置信度的三维重建/新视角合成流程中，用于安全关键场景的失效检测与主动视角选择。
证据深度部分标签学习：量化消歧不确定性
Evidential Deep Partial Label Learning to Quantify Disambiguation Uncertainty
把证据建模（Dirichlet 分布上的 belief/credibility）引入弱监督标签消歧，为视觉分类任务提供可复用的不确定性量化头，可直接替换 softmax 输出用于噪声标注下的可靠性预测。