
Evidential neural networks are models that provide uncertainty estimates alongside predictions, enhancing reliability in applications.Las redes evidenciales producen parámetros de la distribución Dirichlet para tareas de clasificación, representando masas de creencia. El modelo aprende a dar altas evidencias a la clase correcta minimizando una función de pérdida compuesta por el error cuadrático medio esperado y la divergencia de Kullback-Leibler, que penaliza la evidencia para clases incorrectas. Esto permite cuantificar la incertidumbre epistémica (del modelo) y aleatoria (ruido en los datos) y detectar anomalías.
Dempster (1967) y Shafer (1976) introdujeron las funciones de creencia. Denoeux (1995) propuso modelos de redes neuronales basados en ellas. En 2018, Sensoy, Kaplan y Kandemir extendieron el enfoque al aprendizaje profundo con distribución Dirichlet. Los trabajos modernos abordan la calibración, la robustez adversarial y aplicaciones en medicina y conducción autónoma.
La capa de salida produce K valores no negativos e_k. Las concentraciones de Dirichlet α_k = e_k + a_k. Función de pérdida: L_i(Θ) = ∫ ||y_i – p||² (1/B(α_i)) ∏ p_j^{α_{ij}-1} dp + λ_t D_KL( Dir(p; \tilde{α}_i) || Dir(p; 1) ), donde \tilde{α}_i = y_i + (1 – y_i) ⊙ α_i. Esto equivale a minimizar la pérdida esperada y penalizar un Dirichlet no homogéneo para clases incorrectas. La incertidumbre se mide mediante la entropía de Dirichlet o la suma de evidencias.
Diagnóstico médico seguro: además de detectar tumores, la red indica el nivel de confianza, advirtiendo al médico si el pronóstico no es fiable.
Si a una red evidencial se le muestra un tipo de imagen completamente nuevo, indicará honestamente una alta incertidumbre, a diferencia de una red normal que podría equivocarse con confianza.

















