Este artículo aborda el problema de la degradación del rendimiento debido a los cambios distribucionales que ocurren al aplicar modelos de reconocimiento pre-entrenados a nuevos entornos. Los enfoques metacognitivos existentes utilizan reglas lógicas para caracterizar y filtrar errores de modelo, pero mejorar la precisión a menudo implica una menor recuperación. Este artículo plantea la hipótesis de que el aprovechamiento de múltiples modelos pre-entrenados puede mitigar esta degradación de la recuperación. Formulamos el problema de identificar y gestionar predicciones conflictivas de diferentes modelos como un problema de inferencia inductiva basado en la consistencia, basado en los conceptos de aprendizaje adaptativo (ABL), pero aplicándolo en el momento de la prueba en lugar del momento del entrenamiento. Las predicciones de entrada y las reglas de detección de errores aprendidas derivadas de cada modelo se codifican en un programa lógico. Luego encontramos una explicación inductiva (un subconjunto de predicciones del modelo) que maximiza la cobertura de la predicción mientras mantiene la tasa de discrepancia lógica (derivada de las restricciones del dominio) por debajo de un umbral especificado. Proponemos dos algoritmos para esta tarea de representación del conocimiento: un método exacto basado en programación entera (PI) y una búsqueda heurística eficiente (HS). Experimentos exhaustivos con conjuntos de datos de imágenes aéreas simuladas que presentan variaciones distribucionales complejas y controladas demuestran que nuestro marco de inferencia inductiva basado en la consistencia supera tanto a los modelos individuales como a las líneas base de conjunto estándar, logrando una mejora de aproximadamente el 13,6 % en la puntuación F1 y del 16,6 % en la precisión, en comparación con el mejor modelo individual en 15 conjuntos de datos de prueba diversos. Estos resultados demuestran que la inferencia inductiva basada en la consistencia puede utilizarse como un mecanismo eficaz para integrar de forma robusta el conocimiento de múltiples modelos imperfectos en nuevos escenarios complejos.
