כתבה
arXiv cs.LG ·
SpatialUQ: אומדן אי-ודאות מרחבי
SpatialUQ: Post-Hoc Uncertainty Quantification from Spatial Consistency in Black-Box Vision Models
SpatialUQ הוא שיטה לאומדן אי-ודאות מרחבי במודלים חזותיים. היא מודדת את ה-Jensen-Shannon divergence בין החיזוי הגלובלי לבין הממוצע של חמישה גיזומים מרחביים. השיטה הראתה תוצאים טובים ב-NIH ChestX-ray14.
תקציר מקורי באנגליתarXiv:2610.09498v1 Announce Type: cross Abstract: Clinical vision models are often deployed as frozen black boxes with no access to internals, retraining, or ground truth at inference time. We introduce \textbf{SpatialUQ}, a post-hoc uncertainty method using only output probabilities. It measures the Jensen-Shannon divergence between the global prediction and the mean of five fixed spatial crops in six deterministic forward passes. The premise is simple, trustworthy predictions are spatially consistent. On NIH ChestX-ray14 (DenseNet-121, $N{=}25{,}596$), our Multicrop Uncertainty Score (MUS) reaches $0.784$ failure-detection AUC versus $0.664$ for MC-Dropout ($p{<}10^{-6}$) at one-fifth the compute, with native calibration ($\text{SCE}{=}0.049$ vs.\ $0.127$ for $\ell_1$), the best-calibrat
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית