- 博客(730)
- 收藏
- 关注
RSS订阅
原创 ＜持续更新＞ 毫米波感知/成像部分高质量论文列表 ＜持续更新＞
Statistics starting from 01/2024, 仅列出了优秀工作中的一部分||每周更新。
2024-01-20 20:50:21
1763
3
原创 非视距(非视域)成像(Non-Line-of-Sight,NLOS Imaging) Github开源代码合集
[]S. Xin, S. Nousias, K. N. Kutulakos, A. C. Sankaranarayanan, S. G. Narasimhan, and I. Gkioulekas, “A Theory of Fermat Paths for Non-Line-of-Sight Shape Reconstruction,” CVPR 2019github:https://github.com/cmu-ci-lab/nlos_fermat_pathMATLAB,[]W. ...
2020-07-13 15:42:13
4535
2
原创 服务器Ubuntu常用命令汇总
目录查看显卡使用情况查看硬盘使用情况查看用户配额及使用情况打开visdom查看某一进程对应的信息查看指定用户登录记录文件压缩查看某目录下子文件&目录的大小查看某目录下文件数量批量复制特定文件名的文件移动文件夹删除文件/文件夹查看IP地址查看cuda版本更多信息请见：计算成像笔记查看显卡使用情况nvidia-smi...
2019-12-02 20:05:55
2389
原创 CVPR 2026 计算成像相关论文汇总
本文汇总了 CVPR 2026 中与**计算成像（Computational Imaging）**相关的论文，共收录61 篇方向论文数事件相机 (Event Camera)25光谱成像 (Spectral / Hyperspectral Imaging)9压缩/快照成像 (Compressive / Snapshot Imaging)5编码孔径与编码光照 (Coded Aperture / Illumination)3飞行时间成像 (Time-of-Flight)3。
2026-05-09 23:36:57
765
原创 Zynq AXI DMA 环回测试调试指南：从 Cache 一致性到 Vitis 同步机制
Zynq 软硬协同开发的复杂度往往体现在系统边界的交互上。排除软件干扰：遇到数据异常时，优先排查 Cache 一致性操作是否遗漏。读取底层状态：利用 DMA 的状态寄存器（Status Register）排查死锁位置，明确是发送端异常还是接收端异常。确认软硬同步：如果硬件配置已在 Vivado 中确认无误但现象依旧，不要忽略 Vitis 工具链的工作空间同步问题。必要时重建 Platform 工程，确保当前运行的软件逻辑基于最新且正确的底层硬件架构。
2026-04-08 19:59:25
485
原创 ZYNQ 开发知识点记录：AXI Timer 硬件定时器与中断机制解密
在 ZYNQ 开发的进阶之路上，如果说掌握 PS（处理器系统）端的自带定时器是学会了“看表”，那么在 PL（FPGA 逻辑）端使用 AXI Timer 构建自己的定时器，就是真正拥有了“掌控时间”的能力。今天，我们将跳出枯燥的代码，以“系统架构师”的视角，重新审视 AXI Timer 定时器中断实验，并解答在软硬件协同设计中最容易让人困惑的几个底层逻辑问题。
2026-04-08 14:44:40
381
原创 [Overleaf 技巧] 论文二轮返修：如何用正则批量“一键“删除修订标记？
在学术论文的投稿过程中，特别是经历了一轮（R1）或二轮（R2）修改后，我们通常会在 LaTeX 源码中定义一些特殊的宏命令来高亮修改内容，方便审稿人查看。然而，当论文被接收（Accepted），或者需要提交"Clean Version"时，麻烦就来了。我们需要把文中成百上千个变成纯文本，把里的旧内容删掉、只保留新内容。如果手动一个个删，不仅效率极低，还容易手滑误删正文。今天就分享一个在 Overleaf 中利用批量完美清洗源码的技巧。
2026-02-13 15:51:36
784
原创 知识点20 | DINO：如何用自监督学习实现无标签知识蒸馏？
这个损失函数的直观理解是，学生网络输出的概率分布应该与教师网络的分布尽可能一致。：可以将图像流形想象成复杂的地形图，DINO通过对比学习学习到不同区域的"地形特征"，而跨注意力则像是在地形中建立"道路连接"，确保相邻区域的信息能够有效流动。不同颜色的点代表不同类别的样本，可以看到DINO学习到的特征具有良好的聚类性和判别性。：能够详细描述DINO在具体工业场景中的应用案例，例如在自动驾驶中的物体检测、医疗影像分析中的病灶识别等。通过对比学习，学生网络学习到的特征应该尽可能包含教师网络特征中的信息。
2026-02-03 17:01:50
1108
原创 知识点19 | Masked Autoencoders (MAE) 的工作机制
要亲手实现一遍MAE，调试Mask比例，可视化编码器的注意力图，感受模型从50% Mask到90% Mask时的行为变化。当我们面对一个不完整的拼图、一道缺失关键信息的题目时，大脑会被迫进行更深入的推理和联想，从而真正理解问题的本质。这些进展表明，MAE的核心思想——通过Mask激发模型的学习能力——已经成为自监督学习的通用范式，正在被广泛应用于各个模态和任务。）所以，75%的Mask比例不是经验值，而是基于图像流形的本征维度计算得到的临界采样密度，是信息量与学习难度的最佳平衡点。
2026-02-02 23:10:38
1042
原创 知识点18 | Deformable Attention 的数学本质与工业实现
一个可能的回答方向是：将offset从"空间坐标"扩展到"特征空间坐标"，即同时采样空间上和通道上相关的特征，实现真正的"全维度"可变形注意力。从物理意义上理解，如果将特征图视为一张"信息密度分布图"，标准Attention是对整张图进行均匀采样，而Deformable Attention则是一种"变焦镜头"，能够自动聚焦到信息密度高的区域。更重要的是，这些采样点的位置是通过可学习的offset参数动态生成的，因此网络能够"自适应地"关注到真正重要的区域——这正是"deformable"的含义所在。
2026-02-02 00:40:14
435
原创 知识点17 | Diffusion Transformer (DiT)：从数学原理到工程实现的完整技术剖析
DiT的演进仍在继续，从Sora到Stable Diffusion 3，DiT正在重新定义生成模型的未来。**Latent Diffusion Transformer (LDT)**：在潜变量空间应用DiT，进一步提升效率。DiT展现了超越U-Net的Scaling特性，这是其被Sora等大规模模型选用的核心原因。：Sora证明了DiT在视频生成中的Scaling能力，参数量达到30B+仍持续提升性能。：对于视频生成（如Sora），DiT能够直接建模时空长程依赖，这是U-Net难以实现的。
2026-01-28 08:17:00
820
原创 知识点16 | VAE中KL正则化损失的数学本质与工程实现
请详细解释Stable Diffusion中VAE的KL正则化损失：KL正则化损失是VAE训练中的"信息约束器"。从信息论角度看,它衡量的是使用编码器输出的后验分布 qϕ(z∣x)q_\phi(z|x)qϕ(z∣x) 来近似先验分布 p(z)p(z)p(z) 时所产生的信息损失。在ELBO框架下,它与重建损失形成对抗-协作的平衡机制：重建损失要求保留输入的所有信息,而KL损失则迫使编码器仅保留最本质的信息,从而实现信息的自动压缩与筛选。Stable Diffusion中采用极小权重(约1e-6)的KL正则
2026-01-27 20:46:36
396
原创 知识点15 | Mamba | 从Transformer到Mamba：线性时间序列建模的范式革命
Mamba是2024年的新兴技术，GPT-4的训练早于Mamba的发布。Mamba正在从"学术创新"走向"工业应用"。：Mamba不是"看"所有历史token，而是将历史信息压缩到一个固定大小的状态向量中，并通过"选择机制"让模型自主决定哪些信息值得保留、哪些应该遗忘。控制的是"遗忘模式"（遗忘的速率、模式），这是一个相对稳定的全局特性（例如：某些类型的特征衰减得快，某些衰减得慢），不需要频繁变化。本质上，Mamba将"显式的全局注意力"转化为"隐式的压缩记忆"，这是工程和理论上的权衡。
2026-01-26 08:53:55
795
原创 知识点14 | GroupViT
原始图像-文本对比损失只关注整张图像的语义匹配，而多标签损失强制模型学习图像中各个实体的细粒度表示，这有助于 GroupViT 学习到更准确的分组边界。（Bottom-up）的分组策略：从细粒度的图像块开始，通过 Transformer 的全局注意力机制，逐步将相邻且语义相关的区域合并，最终形成完整的语义分割结果。这种设计的数学优势在于：它将像素级的分类问题转化为令牌级的聚类问题，：通过多阶段分组，GroupViT 能够从细粒度的局部特征逐步聚合为粗粒度的全局语义，这与人类视觉系统的层次化处理机制相吻合。
2026-01-25 11:32:39
705
原创 知识点13 | FlashAttention
通过精心设计的IO-aware算法，FlashAttention将注意力计算从compute-bound转变为memory-bound场景下的性能杀手，在保持数学精确性的前提下，将HBM访问量从O(N²)降低到O(N)，从而实现了2-4倍的端到端加速和显著的长序列处理能力提升。"请解释FlashAttention算法的核心思想，并分析它相比传统注意力算法在计算复杂度和内存复杂度上的差异。注1：本文系"每天一个多模态知识点"专栏文章。在计算密集型和内存受限的场景下，重计算可能更快，因为避免了昂贵的内存访问。
2026-01-24 19:59:03
613
原创 知识点12 | LoRA深度解析
这是一个常见的混淆点。上图直观展示了矩阵的低秩特性。上图展示了 LoRA 的核心架构：左侧为传统的满秩变换（rank = d），右侧为 LoRA 的低秩分解结构（rank = r << d）。通过奇异值分解（SVD）分析发现，LoRA 学习到的 ΔW 包含一些与 W₀ 奇异向量方向差异很大的新方向，这些方向虽然有助于下游任务性能，但也可能导致对预训练知识的破坏。研究表明，预训练模型的权重更新 ΔW 在适配过程中同样具有低秩特性，即存在秩 r << min(d, k)，使得 ΔW 可以被有效近似。
2026-01-23 14:55:18
618
原创 知识点11 | 攻克ViT相对位置编码：从数学本质到工业级实现的完整解法
左图展示了标准的位置编码热力图，右图展示了不同位置编码模式的特征分布。相对位置编码的优势在于：它通过建模像素间的相对偏移，而非为每个位置分配独立的向量，从而实现了分辨率外推能力和参数效率的统一。相对位置编码作为位置嵌入的关键组件，通过在注意力机制中引入空间相对关系，使模型能够理解像素间的几何语义。例如对于14×14的图像，相对位置编码仅需27×27=729个参数，远小于绝对位置编码的196×768=150,528个参数。，使模型能够理解"上"、"下"、"左"、"右"等几何语义，且具备良好的分辨率外推能力。
2026-01-22 11:40:19
677
原创 知识点10：PagedAttention
实际生产环境中，PagedAttention的实现会高度优化CUDA内核，直接在GPU上处理非连续的KV块访问，而不是先拼接再计算。上面的代码为了清晰展示核心逻辑，做了简化。：能够明确指出PagedAttention本质上是将KV cache从传统的"张量视角"转换为"页式存储视角"，这一视角转换为推理系统带来了质的飞跃。：在生成分歧之前，所有路径的KV cache完全相同，但传统方法需要为每条路径存储完整副本。这样的回答既能展示基础知识的扎实，又能体现系统思维的深度，让面试官感受到你的综合能力。
2026-01-21 10:23:51
409
原创 知识点9：混合专家模型 (MoE)
图1：MoE层的路由机制示意图，展示了门控网络如何通过Softmax计算每个专家被选中的概率，并基于Top-K策略激活相应的专家网络（图中概率最高的专家1被激活，其他专家未激活）："请从数学原理、工程实现和训练稳定性三个维度，深入分析混合专家模型的设计动机、负载均衡机制以及在分布式环境下的优化策略。：在进行All-to-All通信时，同时计算已到达的token，减少等待时间。时，虽然浪费部分计算资源，但能保证几乎所有token都被处理。：当门控网络的输出过于尖锐（某些专家概率接近1，其他接近0）时，
2026-01-20 18:49:54
795
原创 知识点8 | 视觉指令微调
视觉编码器EvRH×W×3→RNv×dvEvRH×W×3→RNv×dv，将图像III编码为NvN_vNv个视觉token序列投影层ΠθRdv→RdlΠθRdv→Rdl，将视觉特征映射到语言模型的嵌入维度语言模型LϕRdl∗→R∣V∣LϕRdl∗→R∣V∣，处理文本和投影后的视觉token给定图像-指令-响应对IiQi。
2026-01-19 09:41:49
710
原创 知识点7 | NeRF 神经辐射场：从数学原理到代码实现的全维度解析
Fθxd→cσFθxd→cσxxyzxxyz是3D空间中的位置坐标dθϕdθϕ是观察视角的方向（单位向量）crgbcrgb是该位置在视角d\mathbf{d}d下的RGB颜色σ\sigmaσ是该位置的体密度（Volume Density），表示光线在此处被吸收的概率关键设计决策：NeRF使用两阶段MLP架构第一阶段：仅使用位置编码后的坐标γxγxFθ1γxσfFθ1γx))σf。
2026-01-18 12:10:11
791
原创 概念解析 | Vision Mamba：打破Transformer效率枷锁的视觉序列建模革命
计算机视觉的发展史，就像一场永不停歇的接力赛。每一代架构都在接力棒上刻下了自己的印记，试图解决前一代留下的痛点。卷积神经网络（CNN）时代：局部特征的天才CNN（如ResNet、VGG）是这场接力赛的第一棒选手。它像一个严谨的侦探，擅长通过卷积核在局部区域寻找线索。感受野有限，却能在局部细节上做到极致。计算效率高，参数共享机制使其轻量高效具有平移不变性，对图像平移鲁棒擅长提取局部纹理和边缘特征但CNN也有自己的软肋——全局感受野的缺失。
2026-01-17 07:52:37
80
原创 知识点6：旋转位置编码
RoPE的成功在于数学优雅与工程高效的完美结合从复数旋转的直观几何出发，严格证明了相对位置感知性质预计算 + 复数运算的实现方式，兼顾了内存效率和计算速度在长度外推上的持续改进，使其成为当前大模型的事实标准面试回答策略层次递进：先讲二维旋转的直观理解，再推高维形式，最后证明相对位置数学严谨：清晰展示关键推导步骤，尤其是RmTRnRn−mRmTRnRn−m的性质对比分析：主动对比Sinusoidal PE和ALiBi，展示深度理解代码能力。
2026-01-17 07:09:17
686
原创 知识点5: IQ解调与ADC采样
在数学描述中，一个实数信号xtAcos2πfctϕxtAcos2πfctϕ在频域上包含正负两个频率分量。cosθejθe−jθ2cosθ2ejθe−jθ这意味着实数信号的频谱能量分散在fc+f_cfc和−fc-f_c−fc。在雷达应用中（特别是FMCW雷达或多普勒雷达），我们关注的是回波相对于发射信号的频率偏移（Beat Frequency）。如果目标靠近，多普勒频移为正。
2026-01-16 11:24:44
83
原创 Day 4 | ROI Align 深度解析：从量化误差到双线性插值，破解Mask R-CNN的精度奥秘
核心要点回顾问题本质：ROI Pooling的两次空间量化导致像素级精度的损失，这对实例分割是致命的解决方案：ROI Align通过双线性插值消除量化，实现连续坐标的精确采样数学核心：双线性插值的几何理解（四个角点的加权求和）和坐标映射（原图→特征图）工程实现是精度与速度的平衡，是关键参数理论深度：ROI Align恢复了平移等变性，从数值分析角度是更高阶的积分近似面试回答技巧开场白：先用一句话概括核心差异（“量化 vs 插值”），建立框架数学部分。
2026-01-15 16:05:11
662
原创 概念解析 | 测试时自适应：让AI模型学会“临场发挥“的艺术
训练数据和测试数据服从相同的分布。这个假设就像说"所有的考试题目都来自课本练习题"，听起来合理，但在现实世界中却常常失效。训练环境：就像在标准化的考试环境中，光线恒定、题目类型固定、干扰因素可控真实部署：就像在充满变数的外场作战，光照变化、天气突变、传感器差异、全新视角层出不穷自动驾驶：从晴天的高速公路突然进入暴风雨的城市街道医疗影像：从训练时使用的医院A的CT设备切换到医院B的MRI设备人脸识别：从标准证件照到各种光照、角度、遮挡的真实场景让我们从数学角度精确定义TTA问题。实用性。
2026-01-15 07:35:53
112
原创 概念解析 | 4D生成 | 从3D到4D：生成式AI如何重塑动态内容的未来
3D + 时间 = 4D。想象一下，你正在观看一部3D电影。电影中的每一帧都是一个3D场景，但当这些帧连续播放时，你就看到了一个动态的、随时间变化的场景。这个三维空间 + 时间维度的组合，就是我们所说的4D内容。FxtCσFxtCσxxyzxxyz是3D空间坐标ttt是时间变量CCC是颜色信息σ\sigmaσ是密度或不透明度生成式4D内容代表了计算机图形学和计算机视觉领域的最新前沿，它将3D生成扩展到时间维度，使我们能够创建真正动态的、可交互的数字内容。
2026-01-14 12:44:32
178
原创 知识点3：多模态大模型中的Cross-attention
"具体来说，Q-Former包含32个可学习查询向量，这些向量通过Self-Attention相互交互，并通过Cross-Attention从视觉特征中提取信息。"Q-Former是BLIP-2的核心创新，它通过可学习查询向量和Cross-Attention机制，在冻结的视觉编码器和语言模型之间构建了一个信息瓶颈，实现了高效的跨模态对齐。通过多任务学习，查询向量同时学习到不同层次的对齐。"相比LLaVA的简单投影，Q-Former通过自适应查询和复杂训练，实现了更好的信息保留和对齐精度，但计算成本更高。
2026-01-14 09:47:47
971
原创 概念解析 | 神经隐式物理：从神经网络到物理世界的数字孪生
在计算机视觉和图形学的早期岁月里，我们习惯用离散的像素或网格来表示世界。就像用无数个小方块拼成一幅画，或者用渔网去捕捉流动的河流。分辨率越高，存储和计算的成本就呈指数级增长。隐式神经表示（Implicit Neural Representation, INR）的出现彻底改变了这个游戏规则。它不再存储离散的值，而是用一个连续的神经网络函数fθRn→RfθRn→R来表示物理量。比喻时间：传统方法就像把一张数字照片的每个像素值都存下来；而隐式表示则像存储了一个方程fxy。
2026-01-13 20:49:01
177
原创 概念解析 | 窥探不可见之光：编码孔径成像技术的深度解析
让我们先用一个生活中的例子来理解这个概念。想象你在一个黑暗的房间里，墙上有一个小孔，外面有路灯。灯光穿过小孔，在房间的对墙上会形成一个倒立的灯的影子——这就是最基础的"小孔成像"。现在，如果我们在墙上不只是打一个孔，而是打了很多精心设计的孔，每个孔都会在墙上投下一个影子。虽然这些影子会重叠在一起，看起来乱糟糟的，但如果我们知道孔的精确排列方式，就可以通过数学方法"解码"这幅杂乱的图像，重建出外面真实的路灯场景。这就是编码孔径成像的核心思想！
2026-01-13 11:58:20
99
原创 知识点2：InfoNCE loss介绍
互信息IX;YI(X;Y)IX;YIX;IX;IX;YHX−HX∣YHY−HY∣XHXH(X)HX是随机变量XXX的熵HX∣YH(X|Y)HX∣Y是XXX在已知YYY条件下的条件熵物理含义。
2026-01-13 08:43:49
638
原创 知识点2：InfoNCE loss介绍
通过最大化正样本对的相似度、最小化负样本对的相似度，模型在隐式地最大化不同视图/模态间的互信息。本期攻克的难题是：InfoNCE Loss的数学本质与CLIP对比学习原理。：想象两个"地形图"（视觉流形和语言流形），每个点代表一个概念（如"猫"）。对比学习通过移动"山峰"和"山谷"，使两个地形图上的同名地标尽可能接近。InfoNCE Loss的优美之处在于，它用简洁的数学公式架起了信息论与深度学习的桥梁。其中第一项为图像到文本的对比损失，第二项为文本到图像的对比损失。
2026-01-13 08:25:21
1215
原创 知识点1：DDPM数学原理
面试官提问：请从数学原理出发，完整推导DDPM的变分下界（ELBO）推导过程，并解释为何可以将训练目标简化为预测噪声。同时，手写DDPM的核心训练代码实现，并分析其与Score-Based生成模型的本质联系。DDPM的本质是将生成建模问题转化为马尔可夫链的逆向过程学习。通过固定前向扩散过程（向数据逐步添加高斯噪声直到变为纯噪声），并学习一个参数化的反向过程（逐步去除噪声以重建数据）。其数学核心在于变分推断框架：通过最大化证据下界（ELBO）来逼近真实数据分布的对数似然。关键洞察在于，当反向过程也采用高斯分布
2026-01-12 20:27:48
506
原创 知识点1：DDPM数学原理及理解
面试官提问：请从数学原理出发，完整推导DDPM的变分下界（ELBO）推导过程，并解释为何可以将训练目标简化为预测噪声。同时，手写DDPM的核心训练代码实现，并分析其与Score-Based生成模型的本质联系。DDPM的本质是将生成建模问题转化为马尔可夫链的逆向过程学习。通过固定前向扩散过程（向数据逐步添加高斯噪声直到变为纯噪声），并学习一个参数化的反向过程（逐步去除噪声以重建数据）。其数学核心在于变分推断框架：通过最大化证据下界（ELBO）来逼近真实数据分布的对数似然。关键洞察在于，当反向过程也采用高斯分布
2026-01-12 19:40:04
643
原创 概念解析 | 具身智能：通往通用人工智能的最后一块拼图
在人工智能的发展历程中，通用人工智能（AGI）一直是科学家们追求的终极目标。通用人工智能旨在创造出一种能够像人类一样，在各种复杂任务中都能表现出卓越能力的智能体。然而，尽管大语言模型（LLM）和视觉语言模型（VLM）等技术取得了巨大的进步，但它们在理解和操作物理世界方面仍然存在很大的局限性。这时，具身智能（Embodied AI）应运而生，被认为是通往通用人工智能的最后一块拼图。具身智能强调智能体与物理环境的交互，通过在真实世界中进行感知、行动和学习来获得智能。
2026-01-12 18:46:58
115
原创 概念解析 | 从看到做到：一文读懂视觉-语言-动作模型（VLA）的前世今生与未来
人工智能（AI）的发展经历了从单模态到多模态的演变。计算机视觉（CV）：从ResNet、ViT到SAM，CV模型提供了强大的视觉感知能力，让AI能“看懂”世界。例如，ViT（Vision Transformer）通过将图像分割为Patch并使用Transformer架构进行处理，实现了高精度的图像分类和目标检测。自然语言处理（NLP）：从GRU、Transformer到BERT、ChatGPT，NLP模型让AI能“听懂”人类语言。GPT系列模型通过大规模预训练，实现了复杂的语言生成和理解能力。
2026-01-12 11:50:37
490
原创 概念解析 | 彩超：从多普勒效应到医学影像的奇妙之旅
在现代医学诊断领域，彩超（彩色多普勒超声）已经成为医生们不可或缺的工具之一。它不仅能够提供人体内部器官的清晰图像，还能实时显示血流信息，帮助医生诊断和监测各种疾病。彩超的全称是彩色多普勒超声，它结合了二维超声成像和多普勒效应原理，将血流信息以彩色形式叠加在二维图像上，从而实现对血流动力学的实时观察。彩超技术的发展可以追溯到20世纪80年代，经过几十年的不断改进和创新，目前已经广泛应用于心血管疾病、妇产科、腹部脏器、浅表器官等多个领域。
2026-01-12 11:35:29
149
原创 概念解析 | 空间光调制器：开启光场调控新时代
在当今科技飞速发展的时代，光学技术作为一门古老而又充满活力的学科，正不断推动着各个领域的创新与变革。空间光调制器（Spatial Light Modulator, SLM）作为光学领域的核心器件之一，凭借其独特的性能和广泛的应用前景，逐渐成为科研人员和工程师们关注的焦点。空间光调制器是一类能将信息加载于一维或两维的光学数据场上，以便有效地利用光的固有速度、并行性和互连能力的器件。这类器件可在随时间变化的电驱动信号或其他信号的控制下，改变空间上光分布的振幅、相位、波长和偏振态，或者把非相干光转化成相干光。
2026-01-12 11:06:49
105
原创 告别“盲目自信”：一文读懂 AURC —— 衡量 AI “自知之明”的黄金指标
摘要： AURC（风险-覆盖率曲线下面积）是衡量AI模型“自知之明”的关键指标，比传统准确率更能反映模型可靠性。它通过评估模型对自身预测的排序能力（高置信度答案优先），检测“高置信度幻觉”问题。优秀模型（低AURC）会将高确定性正确答案前置，而糟糕模型（高AURC）会在最自信时犯错。该指标对安全关键型应用尤为重要，能有效识别盲目自信的AI系统，确保模型在不确定时保持谨慎。（149字）
2025-12-03 10:48:33
904
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人