机器学习中的不确定性估计
机器学习模型在计量学应用中的可信度需要伴随确定性不确定性的量化,本文解决了经过训练 / 固定的机器学习回归模型中不确定性传播的挑战,提供了在特定输入数据分布和多种机器学习模型下,对模型输出均值和方差的解析表达式,并通过数值实验验证方法,与蒙特卡罗方法在计算效率上进行比较,同时以锂离子电池状态建模为例,展示了方法的应用。
Apr, 2024
以大量分类问题为基础,对现有现代机器学习方法中不同的贝叶斯和非贝叶斯概率量化预测不确定性的方法进行了评估,发现一些基于模型边缘化的方法在广泛的任务领域内表现出令人惊讶的强大效果。
Jun, 2019
本研究提出了一种基于替代高斯过程模型的新的不确定性估计方法,能够为任何基础模型提供准确的不确定性估计,并证明该方法在时序预测数据方面比基于引导的方法在中小型数据区域和不同系列的基础模型,包括线性回归,ARIMA 和梯度提升中提供更准确的置信区间。
Feb, 2023
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
本文提出了一种新的针对回归任务中不确定性预测校准的方法和评估方法,并通过对合成问题和对 COCO 和 KITTI 数据集的物体检测边界框回归任务的实验验证,展示出基于直方图的聚类方法和基于缩放的校准方法的效果相当好。
May, 2019
我们提出了一种基于几何的方法来估计不确定性,它可通过后处理模型校准来实现,避免了重新训练和更改模型,经多个数据集和模型的详细评估显示出更好的不确定性估计,并且可在接近实时应用中使用。
Jun, 2022
这篇论文介绍了机器学习在无线通信领域的应用,并提出了开发带有概率建模的 ML 系统来解决 ML 模型推理可靠性和不确定性的问题。作者使用 WiFi 信道状态信息进行了真实案例演示来证明该方法的正确性,并指出这种方法可以用于无线感知应用中,不仅仅是 WiFi 感知,还包括毫米波雷达等其他应用。
Oct, 2022
本文探讨贝叶斯方法在不确定性问题上的推理方法,提出一种简单有效的校准程序,可以保证在足够的数据下,任何回归算法都能够产生准确的校准不确定性估计,并应用于贝叶斯线性回归、前向和递归神经网络中,能够稳定输出准确的区间预测,并提高时间序列预测和基于模型的强化学习性能。
Jul, 2018
探索概率方法来提高机器翻译质量评估,提供良好的置信度估计,并通过全后验预测分布进行评估。还展示了在不对称风险的情况下如何利用后验信息,从而捕捉翻译工作流程中的典型情况。
Jun, 2016