贝叶斯神经网络中预测不确定性的敏感性分析

Dec, 2017

Sensitivity Analysis for Predictive Uncertainty in Bayesian Neural Networks

Stefan Depeweg, José Miguel Hernández-Lobato, Steffen Udluft, Thomas Runkler

TL;DR本研究针对基于贝叶斯神经网络的黑盒概率模型，提出了一种新的敏感性分析方法，旨在增强对预测不确定性的理解和解释能力，并在真实数据集上进行了验证。

Abstract

We derive a novel sensitivity analysis of input variables for predictive epistemic and aleatoric uncertainty. We use bayesian neural networks with →

发现论文，激发创造

利用轻量级概率网络，将预测不确定性纳入灵敏度分析以及通过不确定性分解的新方法进行模型解释，最终提高了模型的鲁棒性和推广能力，并从输入域的不确定性解释预测不确定性，从而提供了验证和解释深度学习模型的新方法。

Oct, 2018

本文研究贝叶斯神经网络和潜在变量的概率模型，使用信息论方法和风险敏感目标分别将预测不确定性分解为认知和概率性成分，以解决主动学习和安全强化学习等领域中的模型偏差问题。

Jun, 2017

Bayesian inference 中的不确定性推断及其分解方法的研究。首次定义了测试数据和训练数据之间的敏感性，并扩展了 Bayesian meta-learning 的分析。

Jul, 2023

我们提出了一种综合多角度的方法，将敏感性分析集成到摊销的贝叶斯推理中，并在应用建模问题中展示了其有效性。

Oct, 2023

传统上，贝叶斯网络的敏感性分析研究了以逐个修改其条件概率表的方式对其影响，我们提出进行全局基于方差的敏感性分析，使用低秩张量分解来降低维度，并通过 Sobol 法得出全局敏感性指标，从而展示不确定参数及其交互作用的真实影响。

Jun, 2024

本文介绍了一种基于贝叶斯神经网络与潜变量的概率模型可用于对数据中的复杂噪声模式进行建模和决策，同时提出了一种通过不确定性分解策略辨识有信息量的数据点以及如何平衡预期成本、模型偏差与噪声厌恶的新型风险敏感标准用于强化学习。

Oct, 2017

本研究提出一种对轻量级贝叶斯神经网络（BNN）进行抽样无关变分推断的简单框架，通过将异方差预测不确定性和经验差异嵌入到学习得到的 BNN 参数的方差中，提高了预测性能。

Feb, 2024

本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。

Apr, 2024

这篇研究论文探究了一种新型的贝叶斯深度学习，通过在网络结构上执行贝叶斯推断来加强深度网络的不确定性估计，并提出了一种有效的随机变分推断方法，以统一网络结构和权重的学习。

Nov, 2019

研究了使用贝叶斯神经网络中的可学习不确定性来训练预测过程监控模型，以预测剩余时间和结果，并得出结论认为这种不确定性估计可以区分更精确和不太精确的预测，从而提高了用户对于这种预测系统的信心，在合作和以较小的数据集进行更早的实施方面具有潜在的可应用性。

Jun, 2022