---
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]]