本文提出了两种策略,Klir 不确定性抽样和证据认知不确定性抽样,以降低模型的不确定性并扩展可减少的不确定性到证据框架,从而解决活跃学习中的探索 - 开发问题。
Sep, 2023
基于节点分类的不确定性采样是主动学习策略,通过迭代地获取具有最高不确定性的数据点的标签,以提高机器学习模型的数据效率。本文首次对节点分类的不确定性采样进行了全面研究,我们超越了预测不确定性来评估不确定性采样,揭示了与其他主动学习策略之间的显著性能差距,并开发了基于数据生成过程的地面真实贝叶斯不确定性估计,证明了其在引导最佳查询中的有效性。在合成数据上验证了我们的结果,并设计了一种近似方法,不断优于其他真实数据集上的不确定性估计。基于此分析,我们将不确定性建模中的问题与现有方法联系起来,我们的分析有助于并引导了基于图的原则性不确定性估计的发展。
May, 2024
该研究探讨了基于流式学习和基于池式学习的不确定性采样算法,提出了等价损失和损失作为不确定性的概念,建立了不确定性采样算法的泛化界限,并将其与风险敏感目标和分布鲁棒性联系起来,解释了不确定性采样算法在样本规模较小时的优势。
Jul, 2023
该研究论文评估了机器学习中不确定性的现状,并尝试区分 aleatoric 和 epistemic 两种不确定性的类型。
Oct, 2019
这篇论文介绍了机器学习中不确定性的概念及其研究应用。研究者通过随机森林及决策树来量化学习器的混淆不确定性及知识不确定性,并将其与深度神经网络进行了比较。
Jan, 2020
本研究探讨了基于提升树的主动学习方法对表格数据的有效性,利用模型不确定性进行样本选择,并针对回归任务提出了一种成本效益高的主动学习方法,同时也提出了改进的成本效益高的分类任务的主动学习方法。
Oct, 2023
研究神经网络的不确定性问题,提出了一种新的不确定性量化方法,能够区分 aleatoric 和 epistemic uncertainties,实验证明 Ensembles 可以提供整体性最好的解决方案,同时推荐采样 softmax 函数的超参数 N 大于 100。
Apr, 2022
本文探讨了在数据驱动主动学习框架下,针对医学图像分割任务进行不确定性校准的方法,研究了不同的不确定性估计方法和采集策略,并证明选定区域标注可以显著减少需要人工标注的像素数量。
Jul, 2020
本研究探讨了在计算机视觉任务中,使用贝叶斯深度学习模型对本质和表观不确定性进行建模的影响, 并提出了一种新的深度学习框架,将输入相关的本质不确定性与表观不确定性相结合。 我们还提出了一种新的损失函数,可解释为学习的衰减,将其应用于像素级语义分割和深度回归任务中,使得模型更加鲁棒并取得新的最先进的结果。
Mar, 2017
我们提出了一种基于分布式强化学习的算法,通过估计参数化回报分布来统一估计 aleatory 和 epistemic 不确定性,并量化两种不确定性的综合效应以实现风险敏感的勘探。实证结果表明,我们的方法在具有勘探和风险挑战的任务中优于替代方法。
Jan, 2024