SpatialUQ：以空间一致性量化黑盒视觉模型不确定性
SpatialUQ: Post-Hoc Uncertainty Quantification from Spatial Consistency in Black-Box Vision Models
摘要
临床视觉模型通常被部署为冻结的黑匣子，在推理时无法访问内部结构、再训练或地面实况。我们引入 \textbf{SpatialUQ}，一种仅使用输出概率的事后不确定性方法。它测量全局预测与六次确定性前向传播中五种固定空间作物的平均值之间的 Jensen-Shannon 散度。前提很简单，可信的预测在空间上是一致的。在 NIH ChestX-ray14 (DenseNet-121, $N{=}25{,}596$) 上，我们的 Multicrop 不确定性得分 (MUS) 在五分之一的计算量下达到 $0.784$ 故障检测 AUC，而 MC-Dropout ($p{<}10^{-6}$) 为 0.664$，并进行本机校准（$\text{SCE}{=}0.049$ vs.\ $0.127$ for $\ell_1$），是高于 0.78 AUC 的方法中校准效果最好的。 MUS 与熵、置信度和 $\ell_1$ 的监督融合达到 $0.832$，优于五人融合 ($0.813$)。 MUS 随模型质量缩放，使用 BiomedCLIP 达到 $0.899$ ($ρ= 0.846$)，而这种关系在分布中仍然有意义 ($ρ= 0.523$)，但在严重的情况下会崩溃 分布偏移（VinBigData，$ρ= 0.027$）。 MUS 非常适合弥漫性发现，但对于结节等小局灶性病变不太可靠。代码和实验材料可在https://huggingface.co/datasets/kawsher11/SpatialUQ。公开获取
