本研究提出了一种基于证据学习损失的框架，量化三维物体检测中的不确定性，显著提升识别能力，平均提高基线性能10-20%。

本文提出了一种基于证据学习的概念嵌入模型 (ev-CEM)，用于建模概念的不确定性并纠正概念错位。该方法增强了监督和高效标签设置下的概念解释的可靠性，并实现了有效的测试时干预。评估结果显示，ev-CEM 在概念预测方面表现出色，并有效减少了高效标签训练中的概念错位。