📖 AI 总结

本文研究面向分类的自适应感知中后验样本的停止决策问题。后验样本既可用于指导下一步感知方向，其类别标签又可作为候选类别的投票，决定是否继续感知。作者聚焦于将投票转化为最终声明的停止层，指出常见的插件式规则——当观测投票份额超过阈值即声明——并不能提供置信保证：当真实投票质量恰好等于阈值时，该规则约有一半概率做出声明。为此，作者分别校准了固定样本规则与有限时域序贯规则，使其满足预设的错误声明概率，并研究了精确截断策略，即在固定池规则最终结论已确定时提前停止。研究进一步推导了单轮声明概率如何决定感知路径上的后验样本成本与分类精度。在 MNIST 数据集上，结合 DDRM 与固定 PCA 引导探测序列，截断策略最多节省 62% 的后验样本；在匹配工作点下，序贯停止成本最低，且在高精度场景中可用更多后验样本换取更少测量次数。

🔑 关键词速览