この論文は、事前訓練された認識モデルを新しい環境に適用したときに発生する分布の変化によるパフォーマンス低下の問題について説明します。従来のメタ認知アプローチは、論理ルールを使用してモデル誤差を特徴付けてフィルタリングするが、精度の向上は再現率の低下を招くことが多い。この論文では、いくつかの事前訓練されたモデルを活用することで、この再現率の低下を軽減できるという仮説を提示します。様々なモデルの矛盾する予測を識別し管理する問題を一貫性に基づく帰納推論問題として定式化する。これは帰納学習（ABL）の概念に基づいていますが、トレーニング時間ではなくテスト時間に適用されます。入力予測と各モデルから派生した学習エラー検出規則は、論理プログラムにエンコードされます。次に、論理不一致率（ドメイン制約から派生）が指定されたしきい値を下回っている間に予測の適用範囲を最大化する帰納的な説明（モデル予測のサブセット）を見つけます。これらの知識表現作業のための2つのアルゴリズム、すなわち整数計画法（IP）ベースの正確な方法と効率的なヒューリスティック検索（HS）を提案します。制御された複雑な分布変化を特徴とするシミュレーション航空画像データセットの広範な実験により、一貫性ベースの帰納推論フレームワークは個々のモデルと標準アンサンブルベースラインよりも優れています。この結果は、一貫性に基づく帰納推論を、新たな挑戦的なシナリオにおいて、複数の不完全なモデルの知識を強力に統合する効果的なメカニズムとして使用できることを実証している。
