SpatialUQ：基于黑盒视觉模型空间一致性的事后不确定性量化

arXiv:2610.09498v1 公告类型：交叉收录 摘要：临床视觉模型通常以冻结的黑盒形式部署，在推理时无法访问其内部结构、进行重新训练或获取真实标签。我们提出 \textbf{SpatialUQ}，一种仅使用输出概率的事后不确定性量化方法。该方法通过六次确定性前向传播，计算全局预测与五个固定空间裁剪区域的平均预测之间的 Jensen-Shannon 散度。其前提很简单：可信的预测具有空间一致性。在 NIH ChestX-ray14（DenseNet-121，$N{=}25{,}596$）上，我们的多裁剪不确定性评分（MUS）在失败检测任务中的 AUC 达到 $0.784$，而 MC-Dropout 为 $0.664$（$p{<}10^{-6}$），计算量却仅为其五分之一；同时，MUS 无需额外校准即可获得良好的校准表现（$\text{SCE}{=}0.049$，而 $\ell_1$ 为 $0.127$），在 AUC 超过 0.78 的方法中校准表现最佳。将 MUS 与熵、置信度及 $\ell_1$ 进行有监督融合后，AUC 达到 $0.832$，优于包含五个成员的集成模型（$0.813$）。MUS 的表现随模型质量提升而提高，使用 BiomedCLIP 时达到 $0.899$（$\rho = 0.846$）；这种关系在分布内仍然具有意义（$\rho = 0.523$），但在严重分布偏移下不再成立（VinBigData，$\rho = 0.027$）。MUS 非常适合弥漫性影像表现，但对于结节等小型局灶性病变，其可靠性较低。代码和实验材料已公开，地址为 https://huggingface.co/datasets/kawsher11/SpatialUQ。