提出SpatialUQ：黑盒视觉模型空间一致性不确定性量化

Md Kawsher Mahbub、Milon Biswas、Mirza Niaz Morshed、Wei Yu 提出SpatialUQ，一种仅需黑盒模型输出概率的事后不确定性量化方法。它比较全局预测与5个固定空间裁剪的平均预测，用Jensen-Shannon divergence衡量空间一致性来检测模型失败，共6次确定性前向传播。 在NIH ChestX-ray14上（DenseNet-121，N=25,596），其Multicrop Uncertainty Score（MUS）失败检测AUC达0.784，对比MC-Dropout的0.664（p<10⁻⁶），且计算量约为其五分之一。作者称该方法适合弥散性病灶，但对结节等小的局灶性病灶较不可靠。该方法的动机是临床视觉模型常以冻结黑盒形式部署，推理时无法访问内部、重训练或真实标签。

AI 根据报道生成 · 19 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。