基于几何分离的不确定性估计

Jan, 2023

Uncertainty Estimation based on Geometric Separation

Gabriella Chouraqui, Liron Cohen, Gil Einziger, Liel Leman

TL;DR本文提出了一种基于几何的方法来改善机器学习模型中的不确定性（或置信度）估计，结果表明相比于最近提出的方法更准确，并且可优化其实现以适用于需实时响应的大数据集应用的关键词是 “机器学习”、“不确定性估计”、“风险管理”、“基于几何的方法” 和 “事后技术”。

Abstract

In machine learning, accurately predicting the probability that a specific input is correct is crucial for risk management. This process, known as uncertainty (or confidence) estimation, is particularly important

machine learning uncertainty estimation risk management geometric-based approach post-hoc techniques

发现论文，激发创造

实时改善不确定性估计的几何方法

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

没有预测模型的数据不确定性

通过距离权重类纯度不使用预测模型的不确定性估计方法，我们验证了该方法能够有效地构建高性能预测模型，无论是机器学习的数据获取，还是主动学习任务中的不确定性估计。

Apr, 2022

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

深度学习的不确定性量化

提供了深度学习的完整且具有统计一致性的不确定性量化，包括源自（1）新的输入数据，（2）训练和测试数据，（3）神经网络的权重向量和（4）神经网络本身的不确定性。

May, 2024

基于误差对齐不确定性优化的可靠多模态轨迹预测

通过提出基于误差对齐的不确定性优化方法和引入可训练的损失函数来估算深度神经网络的不确定性，以取得与模型误差相关性强的不确定性预测。该方法适用于连续结构化预测和回归任务，并在包括大规模车辆运动预测任务的多个数据集上进行评估，通过 Pearson 相关系数表明我们的方法提高了平均位移误差和不确定性与模型误差之间的相关性。

Dec, 2022

回归任务中的不确定性预测评估和校准

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

基于深度学习的环境感知中的不确定性量化

本研究提出了一种基于深度学习的新方法，通过考虑预测中的不确定性来感知车辆环境，对车辆环境进行了等大小单元格的分割并进行了逐个分类，证明预测结果的不确定性与其精度相关，相比之前的概念，展示了更优秀的表现展示了更优秀的表现。

Jun, 2023

二阶不确定性量化：基于距离的方法

根据最新的批评，我们提出了基于二阶概率分布的预测不确定性的有效度量指标的一组形式标准，并提供了一个基于 Wasserstein 距离的具体框架，证明了所有标准均得到满足。

Dec, 2023

基于梯度的单目深度估计不确定性

本文提出了一种基于深度神经网络的后验不确定性估计方法，通过辅助损失函数的梯度来估计不确定性，避免依赖于地面真实信息的损失定义，可以实现对固定深度估计模型的有状态压制应用。该方法在 KITTI 和 NYU 深度 V2 基准测试中实现了最先进的不确定性估计结果，并且模型和代码都可以在该链接公开获取。

Aug, 2022

利用不确定性评估预测分割质量

本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

Jul, 2018