H²EDL：面向层次分类的超证据深度学习新框架
在细粒度图像识别任务中，类别标签往往具有层级结构。例如，识别一种鸟类时，模型可能对“鹰”这一粗粒度概念很有把握，但在区分金雕、白头鹰等具体物种时却犹豫不决。这种结构化的不确定性，要求模型不仅能表达对细粒度类别的置信度，还需刻画对中间层级概念的认知状态。然而，现有方法各有短板：平面证据分类器只能在叶子类别上用一个“空值”表示整体无知，而层次分类器虽能传递点概率，却缺乏对证据量的刻画。
针对这一痛点，复旦大学的研究团队提出了一种名为 H²EDL（Hyper Evidential Deep Learning for Hierarchical Classification） 的新框架。其核心洞察在于：类别树本身就是一个天然的“超域”。树中的每个子树和叶子节点构成一个线性大小的焦点族，而每个分支节点上的一个局部狄利克雷意见，就能以闭式解推导出所有复合类别的质量分布。
H²EDL 的巧妙之处在于，它用同一组参数提供了两种互补的视角。从预测角度看，它是一个保持跨层级一致性的层次分类器；从概率角度看，它定义了一个有效的树结构超意见——每个节点上的质量代表“信念到达该节点，但不足以进一步细分为子类”的程度。这种设计让模型既能表达“知道是鹰，但不清楚具体种类”的中间状态，又避免了传统超证据网络需要人工标注复合标签或依赖非结构化权重模式的局限。
在 FGVC-Aircraft 和 DERM12345 两个数据集上的实验表明，与交叉熵基线相比，H²EDL 将校准误差降低了约一半，且层级越深、训练预算越大，改进越明显。这意味着模型不仅能做出准确预测，其置信度也更可靠，对于医疗影像诊断、自动驾驶等高风险场景尤为重要。
H²EDL 的提出，为层级分类中的不确定性建模提供了一个优雅而高效的解决方案。它首次将超证据学习与树结构结合，无需额外标注即可捕获结构化的认知不确定性，有望推动细粒度识别系统在实际应用中更安全、更可信。
