不确定性感知科学机器学习模型的稳健学习方法

Sep, 2022

不确定性感知科学机器学习模型的稳健学习方法

A Robust Learning Methodology for Uncertainty-aware Scientific Machine Learning models

Erbet Costa Almeida, Carine de Menezes Rebello, Marcio Fontana, Leizer Schnitman, Idelfonso Bessa dos Reis Nogueira

TL;DR提出了一种综合的科学机器学习模型参数不确定性评估方法，考虑了多种可能的不确定性来源，验证了该方法的鲁棒性和一致性，并在聚合物反应器的软传感器开发中得到了实际应用。

Abstract

robust learning is an important issue in scientific machine learning (SciML). There are several works in the literature addressing this topic. However, there is an increasing demand for methods that can simultane

scientific machine learning uncertainty evaluation soft sensor model identification robust learning

发现论文，激发创造

机器学习与深度学习中不确定性的文献综述

该研究综述了机器学习中不确定性的来源、分类和度量方法，并讨论了不确定性对决策过程的影响。重点关注深度学习领域，提供了广泛范围的不确定性讨论和深度学习中的不确定性量化方法的最新综述。

Jun, 2024

面向天然气工业的不确定性量化协议的发展

开发了一种评估机器学习和机械模拟模型预测不确定性的协议，该协议将提供一个不确定性量化工作流程，用于确定感兴趣的计算数量的可信界限，并评估模型的充分性。测试了该协议在燃气分销行业相关案例中的应用，并提出了推广不确定性量化的路径。

Aug, 2023

利用概率机器学习建模量化无线传感中的不确定性

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

估算和解释分类器不确定性的元启发式方法

针对机器学习模型影响采纳的关键因素之一 —— 信任，本研究提出了一组特征量，可以表征一个实例的复杂程度，并借助元学习框架评估误分类的风险。该框架在提高模型开发的复杂性方面具有潜在的应用前景，同时提供新的模型自我阻抗和解释手段。

Apr, 2023

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

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

审慎行事：大型语言模型下的不确定性测量的探索性研究

从不确定性的角度进行的风险评估研究表明不确定性估计方法可用于揭示大型语言模型的预测风险，并可能发现由该模型生成的有错误的程序。

Jul, 2023

医学图像分析中的不确定性量化综述：概率和非概率方法

综合机器学习医疗模型在临床实践中的应用仍然不理想，缺乏证据证明其可靠性进而限制了其广泛应用。本文综述了用于各种医学图像任务中开发的机器学习模型的不确定性量化方法，包括概率和非概率方法，以全面调研与不确定性量化相关的研究。该综述对医学图像的分析和医学应用以及相应的不确定性评估协议进行了讨论，并强调了未来的研究方向。整体上，本综述旨在帮助临床和技术领域的研究人员快速而深入地了解医学图像分析机器学习模型中的不确定性量化研究。

Oct, 2023

机器学习中的不确定性估计

本文研究基于统计学习理论的机器学习方法中的不确定性问题，并深入探讨了在回归分析中评估模型系数和输出特征值预测中的不确定度。另外，针对机器学习中的模型复杂度和严重非线性等问题提出解决方案，并指出决策制定时需要对机器学习模型和预测进行不确定性评估、风险评估的需求，并提供使用非参数技术解决不确定性问题的方法及最新的超级计算机设备供进行高强度计算。

Jun, 2022

训练后的机器学习回归模型中不确定性传播的分析结果

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