通过潜在一致性实现稳健证据学习

arXiv:2610.01384v1 公告类型：new 摘要：可靠的不确定性量化对于在高风险场景中部署深度学习模型至关重要，因为分布外输入和对抗性输入可能导致模型给出自信但不可靠的预测。Evidential Deep Learning 能够通过一次前向传播高效地估计不确定性，但对于那些没有得到所学习表征充分支持的输入（例如对抗性输入），仍可能赋予其较高的证据强度。我们提出 CLEAR，这是一种轻量级、与任务无关的事后处理方法，无需重新训练或改变基础预测即可提升证据鲁棒性。利用留出的校准数据，CLEAR 刻画模型潜在空间中按组条件划分的几何结构。在推理阶段，它直接在潜在空间中高效生成扰动视图，并根据预测组经过校准的几何结构，度量这些视图与其之间的冲突程度。较高的潜在冲突表明证据缺乏支持，CLEAR 据此选择性地降低证据强度，同时保留潜在一致输入的证据。在 ImageNet$\rightarrow$CUB 上，CLEAR 将 OOD 和对抗性 AUROC 分别提升 $+8.29$ 和 $+5.01$，运行速度比具有竞争力的事后处理方法快 17.4 倍，同时在分类、回归和目标检测基准测试中保持预测性能。