可解释的不确定性路由将情感模糊性与面部表情识别中的分布变化分开

面部表情识别（FER）本质上是不明确的：人类注释者经常不同意，并且在真实环境中部署的模型面临分布变化。至关重要的是，这两种情况需要不同的下游行动，因为应报告不明确的分布内面孔及其模糊性，而应拒绝分布外输入。然而，一个不确定性分数将两者混为一谈。在本研究中，研究了 FER 的任意成分和认知成分的不确定性分解，并引入了不确定性感知路由 (UAR)，这是一种利用分离的推理时间路由机制。具体来说，任意和认知的不确定性是从完全微调的 DINOv2 模型的 Deep Ensemble 中获得的，并且每个不确定性都针对独立的外部信号进行验证：针对人类注释者分歧的任意不确定性，以及针对图像损坏引起的分布变化的认知不确定性。所提出的双重验证协议显示，任意恢复注释者与 Spearman 相关性 0.66（95% CI：0.64-0.68）的不一致，并且认知检测腐败引起的变化，在最高腐败严重性下实现平均 AUROC 0.699。在匹配的分布外拒绝率下，UAR 保留的模糊分布内面孔比单一不确定性路由多大约 1.8 倍。强大的标签分布学习基线实现了可比较的分歧恢复，但无法将歧义与转变分开，因此无法路由，从而确定分解的价值在于分离，从而实现可解释和差异化的行动选择。