通过排斥式末层集成实现不确定性预测的函数空间多样性

基于摘要分析。本文研究如何以较低计算和内存开销实现函数空间贝叶斯推断，并将其用于大型及预训练网络的不确定性估计。作者提出排斥式末层集成，以单个多头网络替代用于表示粒子的完整深度集成，同时探讨在哪些输入上约束粒子预测多样性更合适。 核心机制是函数空间中的粒子优化：通过不同粒子的预测差异形成多样性，而非仅依赖网络参数差异。作者指出，函数空间表述对网络参数化的限制较少，但仍要求模型具有足够的表达灵活性。摘要未给出排斥项、损失函数、粒子更新公式或具体多头结构，这些实现细节尚未验证。 作者报告，在训练数据上强制预测多样性可能导致欠拟合；采用破坏标签语义的数据增强，或无标签分布外数据，则可改善预测多样性与不确定性估计。作者还报告，该方法以较小的额外参数和计算成本接入预训练网络，可用于不确定性感知微调，并在区分 aleatoric uncertainty 与 epistemic uncertainty、分布外检测和分布偏移下的不确定性校准方面取得竞争性结果。摘要未提供数据集、指标数值、对照基线及资源测量条件，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能对应 EEG 解码中跨被试、跨会话分布偏移下的置信度可靠性问题。假设可复用预训练特征提取器与多头末层，但需针对 EEG 改造用于施加排斥约束的输入构造，并验证所谓破坏标签语义的增强是否只是引入非生理伪迹。低信噪比、通道差异和小样本可能使多个头共享同一特征偏差，限制对认知不确定性的刻画。一个可检验的小实验是在固定 EEG 骨干、相同数据划分及微调条件下，对比普通末层集成与排斥式末层集成，并比较训练样本和无标签偏移样本作为排斥输入时的解码表现、校准与开销。上述迁移尚无本文证据支持，已有 EEG 相关工作尚未检索确认。