ENCP提升视觉语言导航不确定性估计
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把校准单位换成整条轨迹
视觉语言导航（VLN）智能体执行任务时并非单步决策，而是连续走出一串动作，步与步之间彼此牵连，长度也随场景变化。传统共形预测在固定样本上做校准，把每个预测点当作独立个体处理，这套做法搬到 VLN 上就难以兑现其覆盖承诺。ENCP 的调整思路是把校准的粒度从单步上移到整条 episode：对每条轨迹只校准一个最大分数，再把这个分数用于该轨迹内部的各个步骤。这样一来，同一 episode 内各步之间的相关性不再被当作需要消除的干扰，而是被纳入构造之中。论文给出的条件是校准 episode 与测试 episode 可交换，在此前提下，构造出的预测集合在每一步都以不低于 1 减 α 的概率覆盖真实答案。这个保证针对的是整条轨迹而非孤立的一帧，正好对应导航任务的实际形态。
用残差置信度重标定分数
ENCP 的另一处改动落在非一致性分数的计算上。它没有直接沿用原始分数，而是按策略自身的残差置信度对该分数做缩放，使不同 episode 的分数落在可比较的尺度上。论文在 R2R 与 REVERIE 两个数据集上，配合四种 VLN 策略和三种非一致性分数进行了组合测试，覆盖从已见环境到未见环境的评估设定。结果显示，ENCP 在所有报告的步级覆盖目标上都达到了预期。这一结果的意义在于方法不绑定特定模型：四种策略、三种分数都能跑通，说明该构造对策略与分数形式保持通用，而不是只对某一种网络结构有效。对使用方而言，这意味着可以在不改动导航模型本身的情况下，在输出端附加一层不确定性刻画。
覆盖率的适用边界
需要留意的是，ENCP 的覆盖保证建立在校准 episode 与测试 episode 可交换这一前提上，并且它允许一条 episode 内部各步之间存在依赖。换言之，保证的对象是逐步覆盖真实答案的概率下界，而不是对整条轨迹是否成功的直接承诺。论文的验证集中在 R2R 与 REVERIE 的已见转未见评估，报告的是经验步级覆盖率是否达标。方法本身被描述为与模型无关的不确定性估计，其用途指向判断智能体何时应当把决策交给更强的预测器，其中也包括请求人工协助。对于部署方，这提供的是一个可挂在现有策略外部的信号源；至于该信号在更复杂环境中的表现，材料未作展开。
为什么值得看
解决了VLN任务中长序列依赖下的不确定性校准难题，提升导航安全性。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。