分类任务中的末层算法：解耦表征学习与不确定性估计

基于摘要分析。本文研究深度分类器的不确定性量化，提出将分类拆为表征学习与不确定性估计两个阶段的一组末层算法，以探索能否用较简单的估计方法降低近似贝叶斯推断的计算负担。 作者比较四种具体方案：基于 Stochastic Gradient Descent（SGD）快照的集成、基于 Stochastic Gradient Langevin Dynamics（SGLD）快照的集成、基于 bootstrap 逻辑回归的集成，以及多次 Monte Carlo Dropout 推理。评估关注选择性分类的风险—覆盖率关系，以及分布外样本检测，而非仅考察分类 Accuracy。摘要未说明各方案的具体训练流程、表征是否固定、采样配置与计算开销。 作者报告，实验提示在深度分类器中增加多个不确定性层的收益有限；这些简单方案在 ImageNet 等复杂基准上显著优于普通点估计 SGD。摘要未提供具体数值、数据划分、分布外样本构造及逐项基线结果，因此不能量化提升，也不能将结论扩展为所有任务上末层方法均优于全网络不确定性估计。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是将分类表征与预测不确定性估计分离，可能用于 EEG 分类中的拒识与分布偏移检测，但原论文主要研究通用深度分类，并未提供 EEG/BCI 有效性证据。迁移依赖有标签的 EEG 分类数据与可用表征，可复用末层集成和风险—覆盖率评估，需改造 EEG 表征提取及跨被试划分。低信噪比、小数据和被试差异可能使表征本身失效，末层不确定性未必能识别这种错误。可检验的小实验是在固定 EEG 表征与相同跨被试划分下，对比普通点估计分类头和 bootstrap 逻辑回归集成的风险—覆盖率，并单独报告未见被试检测表现；已有 EEG 相关工作尚未检索确认。