本文提出了一种区分学习框架,它在区间大小预算约束下,优化预期错误率,以构建归纳批处理中的预测区间。通过专注于预期误差,我们的方法允许条件错误率的变异性,这可以提高整体准确性或者减少平均区间大小。虽然我们考虑的问题是回归型的,但我们使用的损失是组合型的,这使我们能够提供 PAC 样式的有限样本保证。
Oct, 2017
我们提出了一种在无监督域偏移下聚合预测区间的方法,该方法能够获得宽度较小且覆盖目标域的预测区间,其计算效率高并易于实现。
May, 2024
提出了一种基于统计方法的神经网络预测间隔构造方法,旨在解决其他相关研究的局限性,提供更为准确的预测区间并保证预测精度,该方法易于实施且适用于大多数深度神经网络。
May, 2019
通过引入预测不确定性,我们采用两步法的适应性确保了多对象检测的容器边界框的预测可靠性.
Mar, 2024
本文提出使用交集概率作为将概率区间转化成决策的最自然方法,并着重讨论了其可信原理作为概率的单纯剖面对决策的意义。
Jan, 2022
通过最近的完全预测方法 [13, 33],并利用核回归的经典思想,我们提出了局部有效和区分预测间隔(LVD)的一种简单、高效、轻量级方法,用于为几乎任何 DL 模型构建区分预测间隔(PIs)。我们在各种数据集上进行了实证验证,结果表明,除了是 DL 的唯一局部有效方法外,LVD 还超过或匹配现有不确定性量化方法的性能(包括覆盖率和预测准确性),同时在可扩展性和灵活性方面提供了额外的好处。
Jun, 2021
利用一种名为 CCR 的新方法,通过使用模型输出的一系列符合预测间隔来建立模型参数的置信区间,创新地解决了模型参数置信区间构建中的挑战,并在有限样本情景下提供了覆盖保证。
本论文研究使用神经网络生成预测区间 (PIs) 以量化回归任务中的不确定性。通过导出一个无需分布假设的损失函数,该方法能够生成高质量的 PIs,并通过集成学习考虑了模型不确定性,实验结果表明该方法优于目前最先进的不确定性量化方法,平均 PI 宽度减少了 10% 以上。
Feb, 2018
基于模型的强化学习中,模拟经验往往被视为与真实环境的经验等价。然而,当模型不准确时,它可能对策略学习造成灾难性干扰。相反,智能体可以学习模型的准确性,并仅在可以提供可靠预测时有选择地使用它。我们通过实证研究探讨了模型不确定性测量与选择性规划,并展示了最佳结果需要分布不敏感推理来估计基于模型的更新的不确定性。为此,我们提出并评估了一种基于边界框的推理方法,它在可能状态和其他量的边界框上进行操作。我们发现,基于边界框的推理能够可靠地支持有效的选择性规划。
Jun, 2024
本文提出了一种新的基于 ADMM 的方法,称为 $l_p$-box ADMM,它能够高效地处理整数规划问题及连续约束,并在 MRF 能量最小化、图匹配和聚类等计算机视觉应用上表现出优越的性能。
Apr, 2016