咳嗽检测模型一遇真实噪音就自信出错，马氏距离一招揪出误报漏检，AUROC 0.86！
SECURE-AI: Multi-Signal Uncertainty Quantification for Trustworthy Acoustic Cough Detection
📖 AI 总结
该研究针对声学咳嗽检测模型在真实部署中易出现高置信度误判的问题，提出SECURE-AI多信号不确定性量化框架，在冻结的MobileNetV3分类器外叠加蒙特卡洛Dropout、温度缩放与嵌入空间马氏距离三种信号。基于12,161条Coswara录音的测试显示，概率空间方法单独使用效果不足：蒙特卡洛Dropout对错误预测给出的不确定性反而低于正确预测，温度缩放仅改善校准而不提升区分度。嵌入空间距离是最强信号，马氏距离可区分真阳性与假阳性（均值44.7对63.4，Cohen's d=0.94，AUROC 0.86），也能在预测为非咳嗽的样本中区分假阴性与真阴性（AUROC 0.82）。在保留90%真阳性的操作点上，可去除约三分之二假阳性，精确率从59.9%提升至约80%。研究还发现阈值跨数据集不可迁移，验证集F1为82%而测试集降至34%，故以阈值无关的AUROC为主要指标；错误分类显示假阳性多与语音有关。该流程可在30至90美元的树莓派硬件上运行，表明仅靠概率校准不足以支撑可靠的咳嗽检测。
🔑 关键词速览
| 蒙特卡洛 Dropout (Monte Carlo Dropout) | 一种在推理时保持 Dropout 激活并多次采样以估计模型预测不确定性的贝叶斯近似方法。 |
| 温度缩放 (Temperature Scaling) | 一种后处理校准方法，通过单一温度参数调整 softmax 输出，使预测概率更符合真实置信度。 |
| 马氏距离 (Mahalanobis distance) | 一种考虑特征协方差结构的距离度量，用于衡量样本与分布中心的偏离程度，常用于异常检测。 |
| AUROC | 受试者工作特征曲线下面积，衡量分类器在不同阈值下区分正负样本的整体能力，值越接近 1 越好。 |
| MobileNetV3 | 一种轻量级卷积神经网络架构，专为移动和边缘设备设计，在计算资源受限下保持较高精度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅