在自動駕駛領域，場景理解是系統決策的基礎，通常依賴深度神經網路。然而，深度學習模型本質上是黑箱，其內部運作不透明，這在安全關鍵的自動駕駛環境中構成了嚴峻挑戰。為了提升透明度和可信度，研究人員致力於開發可解釋的自動駕駛感知系統，其中多工視覺理解成為核心方向——即同時預測多個駕駛行為（如變道、剎車、加速等）並生成相應的解釋。但一個關鍵的技術難題在於，不同任務的最優置信閾值往往不同，傳統的固定閾值方法難以兼顧所有任務，導致某些任務表現不佳。
近日，一篇題為《超越固定閾值與領域特定基準：自動駕駛中的可解釋多工分類》的論文在arXiv上釋出，作者Maryam Sadat Hosseini Azad和Shahriar Baradaran Shokouhi提出了一種系統性的解決方案。他們引入了一種全面的置信閾值敏感性分析方法，透過遍歷不同閾值來評估每個任務的表現，從而為各個任務選擇最優的決策邊界。實驗證明，這種自適應閾值選擇方法能夠顯著提升多工分類的F1分數，特別是在任務難度不一、資料分佈不平衡的場景下。
除了方法論上的創新，該研究還貢獻了一個新的資料集IUST-XAI-AD。這個資料集包含958張真實駕駛場景影像，每張影像都經過人工標註，不僅標註了駕駛決策，還附帶了決策背後的推理過程。與現有資料集相比，IUST-XAI-AD提供了更復雜、更具挑戰性的測試環境，並且特別考慮了不同文化和地域的駕駛行為差異。例如，不同國家的駕駛員在併線、禮讓行人等行為上存在顯著差異，而該資料集有助於捕捉這些跨文化特徵。
綜合來看，這項研究的意義在於：它不僅透過自適應閾值方法提高了模型的可解釋性和效能，還透過IUST-XAI-AD資料集為跨文化自動駕駛研究提供了寶貴資源。這些成果有望加速開發出更安全、更可靠且能適應全球不同駕駛環境的自動駕駛系統。該論文已被收錄於arXiv（編號2605.04299），並於2026年5月提交。