用于工业工具磨损分析的基于不确定性的人机交互系统
本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出:产生空间不确定性映射,以便临床医生可以观察系统何时以及为何错误,以及量化图像级别的失败预测,并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量,可以适应任何基于深度学习的医学分割管道。
Jul, 2018
本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法,可以更精确地预测,提高分类器的预测准确性,尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。
Jul, 2019
通过研究概念为基础的模型,作者认为通过训练不确定的概念标签有助于减轻概念为基础的系统处理不确定干预时的弱点,从而披露了一些开放性挑战,并提到未来需要进行多学科研究来构建交互式的不确定性感知系统。
Mar, 2023
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
该研究通过在自动化决策支持系统中引入人为因素,建立了一种以病人为中心的不确定性表示框架,并使用 MCU-Net 和四种不同的不确定性度量对其进行了评估,为医学图像分割提供了更可靠的性能。同样,该框架基于不确定性阈值添加了人在循环,使得机器学习模型达到最大的个体化表现,同时将真实的不确定案例传递给专业医生,进而在医疗领域机器学习决策支持中迈出了一步。
Jul, 2020
深度神经网络在风险决策中的应用受到广泛关注,已在医学、金融、制造和质量控制等领域取得广泛应用。本文提出了一种数学框架,用于量化深度神经网络模型的预测不确定性,特别针对含有离散特征变量的表格数据集。通过对结核病患者在治疗过程中的预测进行案例研究,结果表明在一定风险水平下,我们能够识别出风险敏感的情况,这些情况容易因为预测器中的误差而被错误分类。与蒙特卡洛丢弃法相比,我们提出的框架更加关注误分类的情况。我们的提出的深度学习不确定性量化框架可在存在离散预测误差的应用中支持基于风险的决策。
Oct, 2023
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
提出了一种基于交互式支持系统,结合基于知识驱动和数据驱动的机器学习方法以及人类专业知识,并实现用户反馈与决策透明解释,减轻人类负担且尊重其专业性和主观能动性的方法,以及用于工业质量控制中的良品检测任务的模式分类算法。
Mar, 2022