H$^2$EDL：用于层次分类的超证据深度学习

arXiv:2608.18185v1 公告类型：新 摘要：细粒度识别通常涉及分层标签空间，其中模型可能对粗略语义概念有信心，但在其后代类中保持不确定性。这种结构化的歧义需要捕获细粒度类别和中间概念的不确定性表示。然而，现有的工具只能捕获其中的一半：平面证据分类器通过叶框架上的单个空位来量化完全无知，而分层分类器则在没有证据概念的情况下传播点概率。超级意见将两者统一起来，但它们的一般形式在标签计数中是指数级的，而现有的超证据网络要么需要在训练数据中提供复合标签，要么从非结构化权重模式中读取它们，没有关于哪些复合材料值得质量的原则概念。我们观察到分类本身就是缺失的超域。它的子树和叶单例形成一个线性大小的焦点族，每个分支节点的一个局部狄利克雷意见诱导出封闭形式的每个复合质量。生成的模型 H$^2$EDL 可以使用同一组参数以两种互补的方式进行解释。从预测的角度来看，它充当分层分类器，保持标签树不同级别的一致性。从概率的角度来看，它定义了一个有效的树结构超级意见，其中分配给每个节点的质量代表到达该节点的信念，但没有提供足够的信心来进一步专门化其后代。在 FGVC-Aircraft 和 DERM12345 上，与交叉熵基线相比，H$^2$EDL 将校准误差减少了大约一半，并且在更深的层次结构级别和更大的训练预算下，这种改进变得更加明显。