English(EN) A neurosymbolic Approach with Epistemic Deep Learning for Hierarchical Image Classification

神经符号框架通过认知不确定性增强图像分类

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-19 04:00

研究人员引入了一种新颖的神经符号框架，将认知深度学习与分层图像分类相结合。该方法通过结合焦点集推理和可微分模糊逻辑来增强 Swin Transformers，以更好地捕捉认知不确定性并在不同分类级别上确保逻辑一致性。该方法旨在减少预测中的过度自信，并提供更校准、更可解释的输出，同时保持与现有 Transformer 基线相当的准确性。 AI

影响引入了一种更校准、更可解释的图像分类新方法，有望提高关键应用的可靠性。

排序理由该集群包含一篇详细介绍图像分类新方法论的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

Swin Transformers

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Ezel Kilicdere, Shireen Kudukkil Manchingal, Fabio Cuzzolin · 2026-05-19 04:00

A neurosymbolic Approach with Epistemic Deep Learning for Hierarchical Image Classification

arXiv:2605.16383v1 Announce Type: cross Abstract: Deep neural networks achieve high accuracy on image classification tasks. Yet, they often produce overconfident predictions as which fail to express epistemic uncertainty, and frequently violate logical or structural constraints p…

报道来源 [1]

A neurosymbolic Approach with Epistemic Deep Learning for Hierarchical Image Classification

相关话题