本文探讨了在深度神经网络中表示模型不确定性的 Conformal Prediction 框架,提出了一种新的基于概率方法的模型不确定性量化方法,并提供了可靠的边界用于计算不确定度。
Jun, 2023
本研究提出了一种名为邻域适应序列预测(NCP)的新算法,通过利用神经网络的学习表示来识别给定测试输入的 k 个最近邻校准样例,并根据它们的距离分配重要性权重,创建自适应预测集,从而提高使用 CP 进行深度分类器的不确定性量化的效率。
Mar, 2023
本文提出了一种称为聚类置信预测的方法,该方法通过聚类类,将具有 “相似” 信心得分的类聚合在一起,然后在聚类水平上执行置信预测,进行分类问题中的更强的置信度验证,应用于多分类图像数据集中表现更加优秀。
本文研究了温度调节对自适应条件覆盖度提高的置信翻译方法的影响,并通过实证研究和理论分析揭示了一些数学特性,为此现象提供了解释。
Feb, 2024
将回归转化为分类问题,并使用分类的合作预测,以获取回归的合作预测集。
Apr, 2024
概率鲁棒性调和的效果超过了标准的鲁棒性分类器和对抗性鲁棒性分类器,通过提供候选标签预测集合并对数据和扰动设定两个平行阈值,将概率鲁棒性调和引入到机器学习的不确定性量化框架中。
Jul, 2023
利用证据一致性预测方法(ECP)为图像分类器生成一致性预测集,通过基于非一致性评分函数,利用目标标签的对数几率值推导出的证据计算非一致性评分函数的组成部分:一致性预测中的不确定性启发式概念、不确定性惊喜度和期望效用,实验评估结果证明,ECP 在生成一致性预测集方面优于三种先进方法,同时保持了对真实标签的覆盖。
Jun, 2024
本文探讨了如何利用符合性预测相结合的深度学习方法,提高医学影像技术在医学决策中的透明性和可靠性,并在皮肤病例分类方面进行了实证研究,认为在患者肤色差异方面可适当改进符合性预测模型。同时,对比了其与认知不确定性的差异。
Sep, 2021
本文研究了使用最大预测效率作为优化目标训练归纳一致预测器(inductive conformal predictor)的方法,将对可用于分类的归纳一致预测器进行了特别关注,并在几个真实数据集上进行了测试,结果表明该方法在大多数情况下相对于基线一致预测器具有更高的预测效率。
May, 2021
在安全关键的分类任务中,我们提出了一种适用于含有模糊标签的情况的 conformal prediction 框架,在 approximated 的标签的基础上通过近似输入的后验分布来进行不确定性的校准。我们在合成和真实数据集上验证了我们的方法,并在皮肤病学中患者条件分类的案例研究中进行了实证。