# 深度集成

在只有10%的CT扫描带体素级标注的条件下，一个由四个独立训练模型组成的异质集成被用于3–<6毫米肺结节的候选中心分割。与单个增强Mean Teacher相比，该集成在内部留出集上把Dice提高0.01488，在未做微调的外部LNDb上提高0.01118，两个置信区间都不含零，三个训练种子的效应方向一致。增益伴随召回上升、精确率下降，且未证明异质训练目标本身优于同质四模型集成。

在只有10%的CT扫描带体素级标注的条件下，一个由四个独立训练模型组成的异质集成被用于3–<6毫米肺结节的候选中心分割。与单个增强Mean Teacher相比，该集成在内部留出集上把Dice提高0.01488，在未做微调的外部LNDb上提高0.01118，两个置信区间都不含零，三个训练种子的效应方向一致。增益伴随召回上升、精确率下降，且未证明异质训练目标本身优于同质四模型集成。

该研究在运动想象脑机接口中采用留一类别的分布外检测设置，先在某些类别上训练模型，再观察未见过的新运动类别能否通过不确定性升高被识别；结果显示，由于脑电信号固有的高变异性，许多受试者对熟悉类别的预测不确定性反而高于分布外类别，导致在其他机器学习领域表现良好的多种分布外检测方法在此失效，但分布外检测性能与在任务上的表现相关，深度集成模型和MC-Dropout模型在任务表现高的模型与受试者上可取得在任务AUROC大于0.9、分布外检测能力最高约0.7，说明当任务表现足够高时拒绝陌生认知状态是可行的。

该研究在运动想象脑机接口中采用留一类别的分布外检测设置，先在某些类别上训练模型，再观察未见过的新运动类别能否通过不确定性升高被识别；结果显示，由于脑电信号固有的高变异性，许多受试者对熟悉类别的预测不确定性反而高于分布外类别，导致在其他机器学习领域表现良好的多种分布外检测方法在此失效，但分布外检测性能与在任务上的表现相关，深度集成模型和MC-Dropout模型在任务表现高的模型与受试者上可取得在任务AUROC大于0.9、分布外检测能力最高约0.7，说明当任务表现足够高时拒绝陌生认知状态是可行的。