Evidential deep learning里一般怎么估计多标签分类的Uncertainty？ 第1页

小白提供一篇相关的文献 [ICLR'21]，希望能有所帮助：

这个工作的出发点是半监督学习中的 psedo-label 选择，该方法也适用 multi-label。文章的方法很简洁，其实就是拿模型在每个标签的预测结果的 uncertainty 和一个阈值进行比较。公式如下：

这个公式就是获取一个 indicator，表示第 i 个样本的第 c 个标签是否可信。公式中的两项可以看作分别对 positive 和 negative label 的选择。例如加号左边一项，文章认为当标签的预测置信度大于某个阈值，且该标签的 uncertainty 小于某个阈值时，那模型在这个标签上的预测结果时比较可靠的。

这里的 uncertainty 的计算直接使用了模型多次预测结果的 标准差。

所以，我的观点是 multi-label 中可以逐个标签计算 uncertainty，使用类似 mc-dropout 的方式即可得到模型在每个 label 上的 uncertainty，然后进行筛选。

该工作的 code 在这里可以找到：Github code

很好的问题。

对Multi-Label Classification问题了解不多，不过要注意EDL里面是多分类模型的输出概率可以认为服从Dirichlet分布，而多标签分类的输出概率，并不满足这一分布，所以EDL是无法适用的。

类似于EDL的做法，可以看看早期的D-S证据理论在多标签分类领域的研究文献[1,2,3]，还有近期基于Subjective Opinion的uncertainty estimation文章[4]，看看如何借鉴EDL的做法，用Deep Learning方法估计uncertainty。

1. Younes, Zoulficar, Fahed Abdallah, and Thierry Denœux. "An evidence-theoretic k-nearest neighbor rule for multi-label classification."International Conference on Scalable Uncertainty Management. Springer, Berlin, Heidelberg, 2009.
2. Denœux, Thierry, Zoulficar Younes, and Fahed Abdallah. "Representing uncertainty on set-valued variables using belief functions."Artificial Intelligence174.7-8 (2010): 479-499.
3. Kanj, Sawsan, Fahed Abdallah, and Thierry Denœux. "Evidential multi-label classification using the random k-label sets approach."Belief Functions: Theory and Applications. Springer, Berlin, Heidelberg, 2012. 21-28.
4. A. Josang, J. Cho and F. Chen, "Uncertainty Characteristics of Subjective Opinions,"2018 21st International Conference on Information Fusion (FUSION), 2018, pp. 1998-2005, doi: 10.23919/ICIF.2018.8455454.