Hyper Evidential Deep Learning to Quantify Composite Classification Uncertainty

本文提出了一种新的框架——超证据神经网络（HENN），在主观逻辑（SL）理论的背景下，明确地对训练数据中由于复合类标签导致的预测不确定性进行建模。通过在类概率上放置分组狄利克雷分布，我们将神经网络的预测视为超主观意见的参数，并通过确定性DNN从数据中学习收集单一和复合证据导致这些超主观意见的网络。我们引入了一种新的不确定性类型，称为模糊性，最初是为SL中的超主观意见量化复合分类不确定性而设计的。我们的结果表明，HENN在四个图像数据集上优于其最先进的对手。代码和数据集可在以下链接中找到：https://github.com/Hugo101/HyperEvidentialNN。

如何解决具有相似视觉特征的多类别分类问题，特别是涉及到组合类别标签的情况？

提出了一种基于主观逻辑（Subjective Logic）的超证据神经网络（Hyper-Evidential Neural Network，HENN）框架，用于显式建模由组合类别标签引起的预测不确定性，通过在类别概率上放置分组狄利克雷分布，将神经网络的预测视为超主观意见的参数，并通过确定性DNN从数据中学习收集导致这些超意见的单一和组合证据。

该研究的亮点包括引入了一种新的不确定性类型——模糊度，用于量化DNN的组合分类不确定性，实验结果表明，HENN在四个图像数据集上优于其现有的同类模型，研究者还提供了代码和数据集，方便其他研究人员使用和参考。

与此相关的最近研究包括：基于主观逻辑的不确定性建模方法（A Subjective Logic-Based Uncertainty Modeling Approach），主观逻辑在图像分类中的应用（Subjective Logic Applied to Image Classification）等。