Yager规则让梯度不再爆炸，争议图像“我不知道”信号强9倍！
Neural Networks with Differentiable Belief-Function Layers
📖 AI 总结
该论文提出一种可微的信念函数层，将Dempster–Shafer证据理论与深度网络结合。作者指出，Dempster组合规则中的归一化因子会在梯度中引入(1−κ)⁻²项，当证据源冲突时梯度发散；而Yager于1987年提出的组合规则⊞是双线性的，不含该发散项，更适合反向传播。据此构建的深度证据流水线中，从各头到输出的每个mass均为合法的Dempster–Shafer质量函数，并以Yager规则组合，输出在全集Θ上的质量m(Θ)作为网络“我不知道”的信号。网络仅用硬标签训练、从未接触标注者分布，但m(Θ)在视觉与语言两种模态上都能对人类分歧程度排序；在最富争议的CIFAR-10H图像上，Yager规则的真空度为Dempster规则的9倍，因而无需重校准即可直接读作无知量。在分布外检测任务上，该方法与强单遍基线相当，而分数更高的截断Dempster变体在去除截断后梯度不稳定。
🔑 关键词速览
| Yager's rule of combination | 一种证据组合规则，在高冲突时将质量分配给无知集而非重新归一化。 |
| Dempster-Shafer mass function | 一种表示证据不确定性的函数，将质量分配给命题集合。 |
| conflict mass (κ) | 证据来源之间冲突程度的度量，用于Dempster归一化。 |
| ignorance set (Θ) | 所有可能类别的全集，其质量表示完全无知的程度。 |
| out-of-distribution detection | 识别输入是否来自训练分布之外的任务。 |
📱 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