可微信念函数层神经网络：用 Yager 规则表达「我不知道」
原文标题：Neural Networks with Differentiable Belief-Function Layers
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出 Dempster 归一化项会在证据冲突时导致梯度发散，而 Yager 组合规则为双线性、无此问题。作者构建全链路 Dempster-Shafer 质量函数的深度证据网络，以无知集质量作为「我不知道」信号。该网络仅用硬标签训练，却能排序视觉与语言模态中的人类分歧，在 CIFAR-10H 高争议图像上无知度比 Dempster 变体大 9 倍。
- 问题
- Dempster 归一化在证据冲突时使梯度发散，网络缺乏可读的「我不知道」信号。
- 方法
- 构建全链路 Dempster-Shafer 质量函数的深度证据网络，用双线性的 Yager 组合规则替代 Dempster 归一化。
- 结果
- 仅用硬标签训练即可排序视觉与语言模态的人类分歧；CIFAR-10H 高争议图像上无知度比 Dempster 变体大 9 倍。
- 影响
- 为不确定性建模提供梯度稳定且无需重校准的置信度信号，可用于 OOD 检测与人工复核分流。
深读 · 结论先行AI 生成展开看要点与影响 ↓
用Yager规则替代Dempster归一化，硬标签训练的网络能输出可读的「我不知道」，争议图像无知度大9倍
- •Dempster归一化项(1-κ)^-1在梯度中引入(1-κ)^-2，证据冲突时发散；Yager规则为双线性、无此项
- •全链路每个质量函数均为合法Dempster-Shafer质量，由Yager规则组合，无知集质量m(Θ)作「我不知道」信号
- •仅用硬标签训练、从未见标注者分布，m(Θ)仍能排序视觉与语言两模态的人类分歧
- •CIFAR-10H最高争议图像上Yager无知度是Dempster变体的9倍，后者需重校准才可读
- •分布外检测与强单遍基线相当；得分更高的截断Dempster变体去掉截断后梯度不稳定
为什么重要：给不确定性建模提供了一条从梯度稳定性出发的论证路径：若结论成立，证据深度学习可不必依赖标注者分布就输出可解释的无知度。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。