知识卡片：解码过去——用于史前手印性别归属的不确定性感知深度学习框架

一句话结论

该研究提出了一种不确定性感知的深度学习框架，用于推断旧石器时代晚期手印模创作者的生物学性别；框架显式地对不确定性进行建模、传播和聚合，使不确定性成为考古推断中可测量的组成部分。

研究问题

确定旧石器时代晚期手印模创作者的生物学性别长期面临三重挑战：缺乏真实标签（ground truth）、当代人群与史前人群之间存在群体差异、图像退化带来不确定性。传统形态测量方法存在跨性别结构重叠度高、跨人群泛化能力差、特征工程主观等问题。

方法/产品要点

• 结合双图像处理、双轮廓提取、结构化剪影增强、模型架构多样性及集成决策聚合。
• 每个手印模生成 12 个合理的剪影实现，以捕捉边界不确定性。
• 使用两个集成模型处理这些剪影，每个集成包含 10 个深度神经网络，分别基于 EfficientNet-B3 与 MobileViT-S。
• 模型在 14,036 个当代手部样本上训练。
• 采用三角验证方案：集成预测 + 无监督二维潜在空间流形映射（UMAP + k-NN）+ 可解释人工智能空间归因（LayerCAM），以确保解剖学一致性。

主要结果或产业意义

• 在当代数据上，集成模型在较年长年龄组中的分类准确率超过 88%。
• 应用于史前手印模时，框架同时给出性别预测和内部一致性置信度，可区分形态稳定与模糊案例。
• 集成预测、潜在空间结构与可解释性分析之间的收敛表明，不确定性可以成为考古推断中可量化、可复现的指标。

为什么重要

该工作为无法获得真实标签的古代岩画研究提供了一种可量化的不确定性处理路径，将人工智能、计算机视觉与考古学结合，有助于更鲁棒、可复现地解读古代岩画中的性别信息。

局限与不确定性

• 文档摘要未提供史前样本上的具体验证准确率或外部考古学验证结果，此部分待核实。
• 当代与史前人群之间的群体差异仍是跨人群泛化的潜在障碍。
• 手印模边界不确定性的模拟方式及 12 个剪影实现的合理性，需要进一步结合考古学背景评估。

可用于图书/PPT/简报的角度

• AI 与考古学交叉：如何用深度学习解决没有“标准答案”的古代文化遗产问题。
• 不确定性量化在科学推断中的价值：从“给一个答案”到“知道答案有多可靠”。
• 计算机视觉方法在岩画研究中的迁移应用，以及多模型集成、可解释性分析的综合策略。

原始材料

• 英文标题：Decoding the Past: An Uncertainty-Aware Deep Learning Framework for Sex Attribution in Prehistoric Hand Stencils
• 英文关键词：uncertainty-aware deep learning; sex attribution; prehistoric hand stencils; ensemble learning; explainable AI; rock art
• 来源：https://arxiv.org/abs/2608.14539v1