10:27arXiv cs.LG@Dong Hyun Jeong, Feng Chen, Jin-Hee Cho, Lance M. Kaplan, Audun Jøsang, Soo-Yeon Ji论文提出不确定性激活图(UAM)框架,结合证据深度学习(EDL)和FullGrad,生成空间不确定性热力图。该方法区分空缺(缺乏证据)和不和谐(证据冲突)两种不确定性类型。通过主观逻辑和完全梯度分解,UAM可以定位图像中导致模型不确定的区域。在多个基准数据集上的评估表明,该框架弥补了不确定性量化与可解释性之间的差距。论文Uncertainty Activation MapEvidential Deep LearningFullGrad不确定性可视化推荐理由:这篇论文把不确定性可视化了,能告诉你模型哪里没学过、哪里证据打架,比光给一个置信度有用多了。原文
11:19arXiv cs.LG@Jintao Li, Weichang Li, Kai Tong, Xaingyu Guo精选FiLark 是一个专为分布式声学传感(DAS)设计的 Python 框架,采用“流式优先”原则统一处理数据访问、信号处理、可视化和监控。它解决了传统批处理框架无法高效处理连续、超高通道数据流的问题,支持交互式浏览任意长录音、在数据流中直接标注事件,并集成 CPU/GPU 加速的信号处理库。该框架通过统一的流抽象,使交互式开发的处理配置可直接迁移到生产流水线,无需修改。论文分布式声学传感流式处理Python框架信号处理可视化推荐理由:DAS 领域的研究者和工程师终于有了一个能处理连续数据流的工具,不用再手动切片段做离线分析了。做地震监测、管道检测或声学事件标注的团队,可以直接用 FiLark 搭建从探索到部署的完整工作流。原文