摘要

长尾分布数据上的分类任务是一项极具挑战性的问题，其主要瓶颈在于严重的类别不平衡，导致在尾部类别上的性能表现普遍不佳。近年来，基于集成的方法取得了当前最优的性能，并展现出巨大的应用潜力。然而，现有方法仍存在两大局限性：其一，其预测结果在对错误敏感的应用场景中缺乏可信度，尤其在尾部类别上，错误预测的发生频率较高，这一问题尤为严重；其二，现有方法对所有样本统一分配相同数量的专家，导致对简单样本而言存在冗余计算，造成不必要的计算开销。为解决上述问题，本文提出一种可信的长尾分类方法（Trustworthy Long-tailed Classification, TLC），在多专家框架下实现分类与不确定性估计的联合建模，以有效识别困难样本。所提TLC方法为每个专家计算基于证据的不确定性（Evidence-based Uncertainty, EvU）及其对应的证据值，并基于Dempster-Shafer证据理论（DST）对各专家的不确定性与证据进行融合。此外，我们进一步提出动态专家参与机制，根据样本难易程度自适应调整参与分类的专家数量，从而在保持优异性能的同时显著降低简单样本的计算成本，提升整体效率。最后，我们在分类、尾部类别检测、分布外（OOD）检测以及失败预测等多个任务上进行了全面实验。实验结果表明，所提出的TLC方法在各项任务上均显著优于现有方法，且具备高度可信性，其输出的不确定性估计具有良好的可靠性与可解释性。