基于损失学习的潜变量不确定性建模
本文提出了一种贝叶斯方法,通过非标准变分推理框架在 GP-LVM 中近似积分出潜在变量,从而通过最大化解析较低下界的确切边缘似然来训练 GP-LVM,在学习非线性动态系统方面具有鲁棒性和自动选择非线性潜在空间维数的能力。
Sep, 2014
本文提出了一种新的算法,通过利用深度神经网络分类器中数据点的潜在空间表示来评估其预测的准确性,该方法可以检测出分布之外的数据点被不正确地预测,从而有助于自动检测异常值。
May, 2023
通过对生成法和判别法进行比较分析,研究聚焦于从各种来源获取信息的不确定性感知推断,以及对半监督学习的兼容性,推导出一般的采样方案,从后验预测分布中获得监督学习和半监督学习。
Jun, 2024
本文提出一种最大间隔分类器 SVM-GSU,使用多维高斯分布描述每个训练样本,以处理数据输入中的不确定性,并使用随机梯度下降方法高效地解决凸优化问题。通过测试,证明该方法的有效性。
Apr, 2015
该研究提出了一种可扩展的、有效的决策不确定性方法,通过利用区别最大化层,通过任意大小的可训练原型学习鉴别隐藏空间,以解决深度学习在实际中应用时不确定性预测的问题,该方法在图像分类、分割和单眼深度估计任务上超过了深度集合的现有技术。
Jul, 2022
通过在类概率上使用狄利克雷分布对主观逻辑进行建模并使用确定性神经网络从数据学习收集导致预测的证据的功能,我们提出一种与贝叶斯神经网络正交的方法,该方法可以直接推断出预测的不确定性。我们的方法在检测超出分布的查询和对抗性扰动方面取得了空前的成功。
Jun, 2018
本文提出了一个有潜在变量的结构化预测的统一框架,包括隐藏的条件随机场和潜在的结构支持向量机。通过对偶性描述了这种普遍公式的局部熵逼近,在图像分割和从单个图像中理解三维室内场景的任务中表现出不错的效果,比潜在结构支持向量机和隐藏条件随机场方法要好。
Jun, 2012