Nov, 2022

基于校准不确定性的 5G 无人机干扰识别准确可靠方法

PDF
TL;DR本文提出了五种深度神经网络输入输出处理方法，增加其应用于 5G UAV 安全数据集的输出准确性和可靠性，并且探讨了不同的评估度量以及其中的权衡，结果表明预处理、后置处理和置信度处理都可以提高 DNN 的可靠性和准确性，而且置信度校准，即通过均衡 MC、MA 和 RS 之间的差异实现增强的可靠性，可以使用潜在方法来取代 DNN 中的 Softmax 层分类。
发现论文，激发创造
  • 关于测量离散概率神经网络的校准

    使用条件核平均嵌入测量标定差异，以提高机器学习模型的不确定性量化，并消除偏差和参数假设。初步实验基于合成数据展示了该方法的潜力，并计划用于更复杂的应用。

    May, 2024

  • 网络校准的置信度和确定性的多类别对齐

    我们提出了一种基于多类对齐预测均值置信度和预测确定度（MACC）的新的训练时校准方法，通过鼓励模型在预 softmax 分布中提供低（或高）扩散，从而达到了领域内和领域外预测的最先进校准性能。

    Sep, 2023

  • 医学成像分类神经网络的改进可训练校准方法

    本文提出了一种新的校准方法，旨在提高神经网络在医学领域图像分类任务中的不确定性量化能力，该方法基于期望校准误差作为量化神经网络不确定性的公共度量，可以作为辅助损失项轻松地集成到任何分类任务中，从而显著降低分类误差。

    Sep, 2020

  • 深度学习模型不确定性的校准

    本文提出了一种基于概率贝叶斯方法的神经网络预测置信度校准方案，最大化置信度期望效用，用最大置信度校准误差度量预测的置信度和错误之间的关系，并在 COVID-19 诊断中测试取得了显著的效果。

    Jun, 2022

  • 使用 CNN、k-nearest 邻居和支持向量机检测 5G 窄带干扰器

    在基于机器学习的在线观测系统中，利用预训练的机器学习模型在物理层检测 5G 蜂窝网络中特定控制子通道的窄带干扰攻击，研究了卷积神经网络与支持向量机和 k 最近邻方法相结合使用主成分分析的性能差异。

    May, 2024

  • 提高心脏磁共振图像分类深度学习模型校准的不确定性感知训练

    在临床决策支持环境中，为了开发更加可靠的人工智能（AI）模型，量化预测的不确定性被视为一种方法，使模型超越传统的性能指标报告。本研究评估了三种新颖的不确定性感知训练策略，并与两种先进方法进行比较，分析了在心脏再同步治疗反应预测和冠状动脉疾病诊断等临床应用中的性能。在考虑了多个校准测量指标后，得出了需要在医疗保健的复杂高风险应用中进行仔细考虑性能指标的结论。

    Aug, 2023

  • 多个无人机的鲁棒路径规划：基于深度强化学习

    本研究旨在针对移动干扰器存在的情况下，寻找多个航空无人机与地面基站的连通性且避开碰撞的路径。我们提出了一种利用离线时间差异学习算法和在线信噪比映射解决该问题的方案。结果表明，在没有干扰器信息的情况下，我们提出的算法可以高效地避免碰撞并实现实时的多无人机导航任务。

    Apr, 2021

  • 使用最大平均差异进行校准可靠回归

    本文提出了使用最大平均偏差最小化核嵌入度量的校准回归方法，证明该方法在样本量足够大时其校准误差渐近收敛于零，实验结果表明该方法能够产生良好校准和尖锐的预测区间，优于相关现有技术。

    Jun, 2020

  • 数据驱动的目标定位：基于 Cramér-Rao 边界的梯度下降性能评估

    通过提出一种数据驱动的神经网络方法，本研究展示了在雷达系统中准确目标定位的潜力，优于传统技术的目标方位与速度估计精度，为繁杂和动态环境中更准确的定位铺平了道路。

    Jan, 2024

  • 使用高斯过程模型检测神经网络中的分类错误

    本文提出了一种基于高斯过程的新框架 RED，以产生一种可靠的误分类错误检测度量，从而改善神经网络分类器的可靠性和可拓展性。该方法的有效性在 125 个 UCI 数据集、两个概率基分类器和两个大型深度学习结构的视觉任务中得到了证实，并能够检测错误并理解其来源。

    Oct, 2020