Skip to main content

06 — Ketidakpastian epistemik: MC Dropout, ensemble, dan TTA

Tujuan: Menjelaskan tiga proksi ketidakpastian model yang diuji naskah, biaya komputasinya, dan mengapa “UQ berhasil di paper lain” tidak boleh diasumsikan transfer.

Poin checklist terkait:
- Membedakan MC Dropout, deep ensemble, dan TTA sebagai proksi ketidakpastian epistemik
Lihat Checklist membaca naskah SR-keandalan.
Materi sebelumnya: 05 — Fourier dan sFRC · Materi berikutnya: 07 — IQA tanpa referensi


Ketidakpastian epistemik, dalam pemakaian kasar paper ini, adalah “seberapa model tidak sepakat dengan dirinya sendiri jika diizinkan bergetar”. Getaran itu bisa dropout yang tetap hidup saat uji, beberapa jaringan dilatih terpisah, atau citra diuji dalam beberapa augmentasi. Varians antar keluaran dijadikan peta: region yang berubah-ubah dianggap tidak andal. Premis itu tertambat pada bukti di mikroskopi (Liu et al. 2025) dan, untuk segmentasi otot pektoral, MC Dropout bahkan memisahkan segmentasi buruk dengan AUC 0,98 (Klanecek et al. 2023). Naskah menguji apakah premis yang sama hidup pada SR CNN ringan untuk panoramik.

MC Dropout

Dropout, saat latih, mematikan unit secara acak agar jaringan tidak mengandalkan jalur tunggal. Gal dan Ghahramani (2016) menafsirkan dropout saat inference sebagai pendekatan kasar ke posterior Bayesian: \(N\) kali forward dengan topeng berbeda menghasilkan \(N\) rekonstruksi; varians piksel (lalu dirata-rata ke region) menjadi skor. Naskah menyisipkan \(p=0{,}10\) minimal, fine-tune singkat, lalu mencari \(N\) terkecil di rentang 20–50 yang menstabilkan peta. Pilihan operasi: \(N=30\) (deviasi relatif 3,8% terhadap \(N=50\)). Ini bukan posterior terkalibrasi; naskah mengatakannya terbuka, lalu menguji secara empiris.

Biaya: kira-kira 30 kali inferensi SR per patch. Sinyal sFRC: satu kali. Jika keduanya sama-sama menjejak rater, fusi 50/50 masuk akal secara hipotesis. Jika varians dropout tidak menjejak rater, membayar 30 pass tidak terbenarkan.

Deep ensemble

Lakshminarayanan et al. (2017): latih 2–3 model dari inisialisasi berbeda; ketidaksetujuan antar anggota adalah baseline epistemik yang lebih mahal dan sering dianggap lebih “sungguhan” daripada dropout. Naskah memakai ensemble dua cara. Sebagai cek sensitivitas, peta dropout dibanding peta ensemble (\(\rho=0{,}032\) pada ratusan ribu region: signifikan hanya karena \(n\), praktis lemah). Sebagai pembanding skor terhadap label radiologis, overlap hanya 29 region — underpowered, dilaporkan inconclusif, bukan bukti menolak ensemble.

Test-time augmentation

TTA di sini mematikan dropout (lapisan diganti identitas) lalu mengukur varians dari flip/rotasi. Ia menguji apakah kelemahan MC Dropout spesifik pada mekanisme dropout, atau sifat proksi murah single-model pada tugas ini. Hasilnya selaras dropout: \(\rho=-0{,}048\), AUROC \(0{,}496\).

Cara membaca kegagalan ini

Jangan simpulkan “epistemic uncertainty tidak ada gunanya”. Simpulkan: pada tugas, arsitektur, dan \(n\) anotasi ini, proksi murah itu tidak membawa ranking yang ditangkap radiologis, sementara konsistensi spektral membawanya. Transfer UQ antar modalitas harus diuji (Huang 2023; Alshahrani & Behzad 2026) — itu salah satu kontribusi metodologis naskah, termasuk ketika hipotesis fusi gagal.

Modul berikutnya menuntaskan pembanding “bodoh” dan “off-the-shelf”: jika sFRC hanya mengukur ketajaman atau naturalness, heuristik dan BRISQUE seharusnya cukup.