开放集合视频异常检测
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
为了构建计算效率高且能代替基于规则的模拟的生成式替代模型,本研究扩展了 L2LFlows 以模拟具有较大剖面尺寸的洗澡水,并引入了卷积层和 U-Net 型连接,从掩蔽自回归流变为耦合层,在 ILD 电磁量热计以及公共 CaloChallenge 数据集中成功建模了洗澡水。
May, 2024
我们提出了 PPCEF,一种用于生成概率上可信的反事实解释(CFs)的新方法。PPCEF 通过将概率形式与在一个统一框架内优化可信度相结合,超越了现有方法。与参考方法相比,我们的方法通过直接优化显式密度函数而不假定特定的参数化分布家族来强制执行可信度。这确保了 CFs 不仅是有效的(即实现了类别变化),而且与底层数据的概率密度相一致。为此,我们的方法利用规范化流作为强大的密度估计器来捕捉复杂的高维数据分布。此外,我们引入了一种新颖的损失函数,平衡了实现类别变化和保持与原始实例的相似性之间的权衡,并结合了概率可信度项。PPCEF 的无约束形式允许有效的基于梯度的批处理优化,与之前的方法相比,计算速度提高了几个数量级。此外,PPCEF 的无约束形式允许将来的约束无缝集成,以符合特定的反事实属性。最后,广泛的评估证明了 PPCEF 在生成高质量、概率上可信的高维表格设置中的反事实解释方面的优势。这使得 PPCEF 不仅成为解释复杂机器学习模型的强大工具,而且提高了 AI 系统的公平性、问责制和信任度。
May, 2024
通过提出双分支证据深度学习(DuEDL)框架,该研究旨在改善使用线条标注进行医学图像分割时准确性与可靠性之间的权衡问题,并证明该方法在提高模型的可靠性和泛化能力方面表现优于现有方法。
May, 2024
该研究提出了一种使用标准化流的高效反事实解释方法,该方法捕捉复杂数据分布,学习具有保持接近性的有意义的潜在空间,并改进预测,特别在处理分类变量时表现出色。
Apr, 2024
我们提出了一种基于归一化流的新方法 (floZ),用于从一组从非归一化后验分布中抽取的样本中估计贝叶斯证据 (及其数值不确定性)。通过在已知解析证据的分布上进行验证,最多可达到 15 个参数空间维度,并与两种先进的技术进行比较,这两种技术均用于估计证据:嵌套采样 (将证据作为其主要目标进行计算) 和通过后验样本产生证据估计的 k 最近邻技术。如果有来自目标后验的代表样本可用,我们的方法对于具有尖锐特征的后验分布具有更好的鲁棒性,特别是在较高维度上。它具有广泛的适用性,例如用于估计变分推断、Markov 链蒙特卡洛样本或从非归一化后验密度中提供样本的任何其他方法。
Apr, 2024
通过归一化流在格点理论之间建立机器学习映射,可以作为精确采样和推理方案的组成部分。我们讨论并演示了在复制交换(并行加热)采样中应用流的两个应用,旨在改善拓扑混合,这些应用在当前可用的流的迭代改进基础上是可行的。
Apr, 2024