Jun, 2021

AI 不确定性量化 360：全面工具箱

PDF
TL;DR该论文介绍了一个名为 Uncertainty Quantification 360 (UQ360) 的 Python 工具包，其目的在于量化、评估、改进和传达 AI 应用程序开发生命周期中的不确定性，并鼓励进一步探索 UQ 与其他可信 AI 支柱的联系，例如公平性和透明度。
uncertainty quantificationpython toolkitai modelsfairnesstransparency
发现论文，激发创造
  • 不确定性工具箱：一个用于评估、可视化和改善不确定性量化的开源库

    本文主要介绍了一种名为 Uncertainty Toolbox 的开源 Python 工具库，该库旨在协助评估、可视化和改进在机器学习中的不确定性计量（UQ）。 Uncertainty Toolbox 不仅提供教学资源，例如重点词汇表和重要论文引用的组织集合，也有助于加速和整合应用在机器学习中的不确定性计量研究。

    Sep, 2021

  • 基于可解释性的高能物理人工智能不确定性量化

    本文论述了在高能物理方面进行人工智能（AI）应用时如何物理地和统计地解释不确定性，并列举了一些现有的方法和推荐方向。

    Aug, 2022

  • 机器学习中的不确定性量化 - 工程设计与健康预测教程

    本篇研究论文重点介绍了机器学习模型中的不确定性量化方法，特别关注神经网络以及在工程设计和医疗领域的应用。通过介绍多种不确定性量化方法和计量标准，本篇论文旨在帮助提高机器学习模型的安全性和可靠性，同时提供两个具体案例：锂离子电池寿命预测和涡轮发动机剩余使用寿命预测。

    May, 2023

  • Quantus: 一种可解释的 AI 工具包，用于负责任地评估神经网络解释及更多内容

    该文介绍了 Quantus – 一个基于 Python 构建的，全面的可解释性人工智能（XAI）评估工具包，用于系统地评估和比较解释方法，以提高研究透明度和可重复性。

    Feb, 2022

  • 利用人工智能不确定性量化改善人类决策

    提供 AI 预测信息以及 UQ 信息可以改善人类决策能力，并且这种益处可以在各种 UQ 表示方式中普遍适用。

    Sep, 2023

  • AI Fairness 360: 检测、理解和缓解不良算法偏差的可扩展工具包

    介绍了一种新的开源 Python 工具包 - AI Fairness 360 (AIF360)，用于支持决策性应用程序的算法公平性，该工具包包括公平度量标准、算法对数据集和模型执行偏差检测和修复以及参考指南和教程。

    Oct, 2018

  • 深度学习中的不确定性量化综述：技术、应用与挑战

    本研究回顾了当前深度学习中不确定性量化（UQ）方法的最新进展，其应用于计算机视觉，医学图像分析，自然语言处理等领域，并调查了这些方法在强化学习中的应用。接着，我们概述了 UQ 方法的几个重要应用，并简要概述了 UQ 方法面临的基本研究挑战，讨论了未来在此领域的研究方向。

    Nov, 2020

  • 医疗领域的不确定性封装：在实践中确立透明的不确定性量化方法，针对非透明的机器学习模型

    本文展示了不确定性包装器在医学领域中与可靠方法和透明不确定性量化相结合的机器学习模型的应用和实用价值，以流式细胞术作为一个示例。

    Nov, 2023

  • 深度学习不确定性工具包综述

    本文第一次对用于深度学习中不确定性估计的工具包进行梳理，比较了 11 种工具包的模型和评估能力，最终推荐了 Pyro、Tensorflow Probability 和 Uncertainty Quantification 360 三种最有前景的工具包，提出了在保障模型可信度和可复现性方面进一步统一评估和保障方法论的必要性。

    May, 2022

  • 自主智能代理人能力评估的不确定性量化

    通过使用深度生成模型的集合，本研究展示了如何量化自主代理在执行任务时的 aleatoric 和 epistemic 不确定性，从而提高人类用户对自主代理的信任水平。

    Jun, 2022