预测学习推理的无声失败：240次试验前盲测，Spearman最高0.84！
Predicting silent failures of learned inference under restricted access: what measurement physics and prior information explain
📖 AI 总结
该研究关注学习型先验在测量覆盖不足区域进行重建和不确定性报告时可能出现的“静默失败”，即报告区间未覆盖真值、而所有无真值诊断仍处于噪声范围内。作者将这类误差称为盲集，并探讨能否在未见目标数据前加以预测。对于正确设定的线性高斯模型，静默失败风险可精确分解为未检测与未覆盖两部分，但该性质对学习系统一般不成立；作者通过线性化VAE先验构建近似该参考的评分。在2DeteCT真实X射线CT对象的前瞻性研究中，预测在试验前以哈希承诺，该评分对两种学习推理系统实现的盲度排序Spearman相关系数分别为0.79和0.84。序贯事后分析表明，在有限可达条件下，学习评分相对基于物理的基线在排序或试验级对数评分上均无显著改进；仅在最弱衰减时先验信息改善排序，且高斯先验效果相当。结论是静默失败可被预判，但其结构主要取决于测量可达性和决策量，而非学习先验本身。
🔑 关键词速览
| 盲集 (blind set) | 指学习推理中报告的不确定性区间不包含真值，且所有无需真值的诊断均未检测到的错误集合。 |
| 变分自编码器先验 (VAE prior) | 一种使用变分自编码器学习到的先验分布，用于近似复杂数据分布。 |
| 集合卡尔曼反演 (ensemble Kalman inversion) | 一种基于集合卡尔曼滤波的反演方法，用于解决非线性逆问题。 |
| 潜在拉普拉斯 (latent Laplace) | 一种在潜在空间中使用拉普拉斯近似进行贝叶斯推理的方法。 |
| Spearman ρ | 斯皮尔曼等级相关系数，用于衡量两个变量的排序相关性。 |
📱 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