深度学习中的多元不确定性

Oct, 2019

Multivariate Uncertainty in Deep Learning

Rebecca L. Russell, Christopher Reale

TL;DR本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用，为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习，需要准确地量化多变量不确定性，提出并实验了通过神经网络建模多元不确定性的方法，并证明精确的多变量不确定性量化对于卡尔曼滤波器性能在领域内和领域外评估数据中的巨大影响，同时指出端到端滤波器训练可以允许不确定性预测来补偿滤波器的不足。

Abstract

deep learning has the potential to dramatically impact navigation and tracking state estimation problems critical to autonomous vehicles a

deep learning navigation state estimation multivariate uncertainty neural networks

发现论文，激发创造

深度学习的不确定性量化

提供了深度学习的完整且具有统计一致性的不确定性量化，包括源自（1）新的输入数据，（2）训练和测试数据，（3）神经网络的权重向量和（4）神经网络本身的不确定性。

May, 2024

深度学习不确定性估计的通用框架

提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

Jul, 2019

使用多元模型和多视角对分类中的不确定性意识

提出了一种利用不确定性估计的人工智能模型训练方法，结合多视图预测和优化算法，实现了准确的预测和标签不确定性估计。

Apr, 2024

证据不确定性量化：一个基于方差的视角

基于方差的方法扩展到分类问题中，量化分类的不确定性，实验结果显示这种方法在主动领域适应中与基于熵的方法的准确性相似，并提供了关于类别间不确定性和相关性的信息。

Nov, 2023

端到端自动驾驶控制的统计保证下的不确定性量化

本论文提出了一种基于最先进的模拟器的框架，以评估端到端 Bayesian 控制器，实验评估了不同场景下用于避碰的不确定性计算的质量并表明不确定性估计可大大帮助自动驾驶车辆的决策。

Sep, 2019

在线机器学习用于顺序数据同化的预测不确定性估计

本研究提出一种基于卷积神经网络的机器学习方法，利用单个动力学模型集成来对表示预测误差协方差矩阵的状态相关预测不确定性进行估计，并在杂交数据同化方法中进行性能测试，证明该方法能够相对精确地预测高维状态中的预测协方差矩阵值。

May, 2023

端到端控制的空间不确定性采样

本文提出了一种利用特征映射相关性估计不确定性的贝叶斯神经网络用于端到端控制，该方法在传统元素级 dropout 方法上实现了更好的模型拟合和更紧密的不确定性估计。

May, 2018

使用函数变分推断实现计算机视觉中的可扩展不确定性

本文提出一种基于变分推断的高维深度学习不确定性量化方法，使用高斯过程将贝叶斯卷积神经网络先验和变分族相结合，为任意有监督的学习任务提供了预测不确定性估计，同时提供了快速训练的方法。此外，该文还提供了构建回归损失函数的充分条件，使其概率对应物与 aleatoric 不确定性量化相容。

Mar, 2020

深度神经网络多维度不确定性量化

本文旨在研究如何衡量深度神经网络中不同的不确定性因素，进一步探究利用这些因素更有效地解决不同决策问题的方法。其中，作者提出了一个一般学习框架来定量不同根本原因导致的多种不确定性，并发现在对于深度神经网络的分类及早期时间点的事件检测中，对于实现最佳效果的不确定性因素分别为矛盾和真空。此外，本文还提出了一个改进 SSL 算法的框架，以抵御 OOD 对象的重要影响。

Apr, 2023

基于深度学习的环境感知中的不确定性量化

本研究提出了一种基于深度学习的新方法，通过考虑预测中的不确定性来感知车辆环境，对车辆环境进行了等大小单元格的分割并进行了逐个分类，证明预测结果的不确定性与其精度相关，相比之前的概念，展示了更优秀的表现展示了更优秀的表现。

Jun, 2023