20260617:目前有914 页

concepts/precision-weighted-fusion.md

@@ -0,0 +1,46 @@
+---
+title: "精度加权融合 (Precision-Weighted Fusion)"
+created: 2026-06-10
+updated: 2026-06-10
+type: concept
+tags: ["multimodal-learning", "bayesian-deep-learning", "fusion"]
+sources: ["[[principled-uncertainty-clinical-ai]]"]
+---
+
+# 精度加权融合 (Precision-Weighted Fusion)
+
+**精度加权融合**是 [[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]] 提出的多模态贝叶斯融合机制，利用各模态潜空间方差的倒数作为精度权重进行分布组合。
+
+## 核心机制
+
+对于 M 个可用模态，每个编码器输出 (mu_m, log sigma^2_m)：
+
+**步骤 1**：计算各模态精度
+```
+Lambda_m = exp(-log sigma^2_m) = 1 / sigma^2_m
+```
+
+**步骤 2**：精度加权组合
+```
+Lambda_fused = sum_m Lambda_m
+sigma^2_fused = 1 / Lambda_fused
+mu_fused = (sum_m Lambda_m * mu_m) / Lambda_fused
+```
+
+## 缺失模态处理
+
+缺失模态通过设置 log sigma^2 = 10.0 来处理：
+- Lambda ≈ 0（精度近似为零）
+- 该模态自动从融合中排除
+- 保留患者记录完整性
+
+结果：融合不确定性始终 ≥ 最小单模态方差，随着缺失模态增多而正确增加。
+
+## 直觉
+
+高精度（低方差）的模态贡献更多权重——就像贝叶斯推断中精度加权的后验组合。这是卡尔曼滤波思想在多模态融合中的推广。
+
+## 参考
+- [[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]]
+- [[epistemic-uncertainty|认知不确定性]]
+- [[uncertainty-quantification|不确定性量化]]