UR2M：基于不确定性和资源的嵌入式控制器事件检测
内容提要
该文汇总多篇研究，聚焦机器学习中的不确定性估计与高效推理，涵盖实时语言模型RT-LM降低响应时间、微控制器无电池ML推理实现97.78%鱼类识别精度、医学图像分割引入人在循环、无线通信概率建模、谣言识别与时空预测的不确定性量化，以及多模态融合提升自动驾驶恶劣天气下目标检测性能。
延伸解读
不确定性估计的跨领域应用
文章汇总的研究显示，不确定性估计已应用于多个领域：在自然语言处理中用于谣言识别，在医学图像分割中引入人在循环，在无线通信中进行概率建模，在时空预测中量化不确定性。这些案例表明，不确定性估计不仅是理论工具，还能提升模型在关键场景中的可靠性和可解释性。
高效推理与嵌入式部署的进展
RT-LM 通过定量实验证明能减少平均响应时间、提高吞吐量，且运行时开销较小。同时，微控制器上的无电池 ML 推理管道在鱼类识别中达到 97.78% 的精度，展示了在资源受限设备上实现高效推理的可行性。这些进展为边缘计算和实时系统提供了实用参考。
人在循环与医疗决策支持
在医学图像分割中，研究引入以病人为中心的不确定性表示框架，并基于不确定性阈值添加人在循环。这使得模型能达到最大的个体化表现，同时将真实的不确定案例传递给专业医生。这种方法在提升医疗决策支持可靠性的同时，也强调了人机协作的重要性。
多模态融合提升自动驾驶鲁棒性
通过不确定性编码的专家混合（UMoE）进行多模态融合，可以改善自动驾驶在极端天气、对抗攻击和致盲攻击场景下的目标检测性能。这表明融合不确定性信息有助于提升模型在恶劣条件下的鲁棒性，为自动驾驶安全提供了新的思路。
Q&A
RT-LM 在实时响应系统中有什么优势？
RT-LM 能显著减少平均响应时间、提高吞吐量，并且运行时开销相对较小。
无电池 ML 推理在微控制器上能达到多高的鱼类识别精度？
在 MCUs 上可以实现 97.78% 的精度，达到了无电池 ML 推理的可行性。
医学图像分割中如何引入人在循环？
通过建立以病人为中心的不确定性表示框架，使用 MCU-Net 和四种不确定性度量进行评估，并基于不确定性阈值添加人在循环，使机器学习模型达到最大的个体化表现，同时将真实的不确定案例传递给专业医生。
无线通信中如何解决 ML 模型推理的可靠性和不确定性问题？
提出开发带有概率建模的 ML 系统，并使用 WiFi 信道状态信息进行真实案例演示，证明该方法可用于无线感知应用，包括 WiFi 感知和毫米波雷达等。
如何利用不确定性估计来识别在线谣言？
将模型和数据的不确定性估计融入自然语言处理模型中，提出两种基于不确定性的算法，可以优先处理容易出错的实例进行人工事实核查，并解读谣言传播中的模型表现。
多模态融合如何提升自动驾驶在恶劣天气下的目标检测性能？
通过 Uncertainty-Encoded Mixture-of-Experts (UMoE) 将不确定性融入多模态融合技术，提高了在极端天气、对抗和致盲攻击场景下的目标检测性能。
