Saratov State University

证据深度学习用狄利克雷分布参数表示分类不确定性，但标准目标在高置信度下会出现证据收缩。这项工作在盒约束上分析正则化狄利克雷似然的优化地形，证明二阶充分条件等价于一个标量自洽函数导数为正，并给出保证有限步收敛的枚举算法。在CIFAR-10训练的ResNet-18输出的logit上，总证据随置信度单调上升却始终不超过约19.75的理论阈值，活跃集从约2.05个类收缩到1个。

证据深度学习用狄利克雷分布参数表示分类不确定性，但标准目标在高置信度下会出现证据收缩。这项工作在盒约束上分析正则化狄利克雷似然的优化地形，证明二阶充分条件等价于一个标量自洽函数导数为正，并给出保证有限步收敛的枚举算法。在CIFAR-10训练的ResNet-18输出的logit上，总证据随置信度单调上升却始终不超过约19.75的理论阈值，活跃集从约2.05个类收缩到1个。