不确定性分解可靠性门控元学习：面向跨领域小样本LiDAR故障分类的选择性自动化方法

《Machines》：Uncertainty-Decomposed Meta-Learning with Reliability-Gated Inference for Intelligent Few-Shot LiDAR Fault Classification

　　

摘要

小样本元学习能够在有限的标注数据支持下实现快速适应，但仍然对超参数和支持集质量敏感。我们提出了不确定性分解可靠性门控元学习（UDRML）。该方法选择预测熵较低的支持集，通过互信息结合多种适应模型来估计随机不确定性和认知不确定性，并使用可靠性分数来接受、标记或拒绝预测。我们使用合成增强的nuScenes数据集，在跨领域小样本LiDAR故障分类任务上评估了UDRML。在10-shot设置下，UDRML相比MAML提升了11.8个百分点的准确率。门控机制在接受的预测上进一步提升了13.3个百分点，同时测得的认知不确定性比最强集成基线ECMP降低了78%。该框架支持选择性自动化，通过接受可靠预测并将不确定案例引导至验证或回退机制。