基于元策略的双层动态不确定性校准的证据深度学习方法

本发明公开了一种基于元策略的双层动态不确定性校准的证据深度学习方法，采用双层优化架构：内层优化一个证据深度学习模型以执行像素级分割任务并估计不确定性；外层优化一个状态感知的元策略网络。元策略网络实时接收反映训练动态的状态信息，并据此动态生成用于配置内层模型损失函数的关键超参数；通过周期性评估模型在验证集上的预测准确性、校准误差及误分类不确定性等多方面性能，形成一个多目标奖励信号。本发明通过引入状态感知的元策略进行超参数动态自适应调整，克服了传统方法依赖静态设置的局限，能更好地平衡预测精度与不确定性校准，显著提高了深度学习模型在高风险应用场景（如医学影像分析）中的可靠性和泛化能力。