Jan, 2023

基于贝叶斯深度学习组件的可靠自主系统

PDF
TL;DR本文介绍了一种方法，通过对 BDL 组件之间的不确定性和相互作用进行考虑来捕捉整个系统的不确定性，实验表明，该方法既能够捕捉有用的不确定性估计，同时又略微提高了自主航空导航系统的性能。此外，我们还讨论了采用 BDL 构建可靠自主系统的好处、挑战和影响。
发现论文，激发创造
  • 大规模人工智能时代的贝叶斯深度学习

    在当前深度学习研究的背景下，着重于在涉及大型图像和语言数据集的监督任务中取得高预测准确性，然而从更广泛的视角来看，存在许多被忽视的度量标准、任务和数据类型，如不确定性、主动和持续学习以及科学数据，需要关注。本文认为贝叶斯深度学习（BDL）是一个有前途的方向，在这些不同环境中提供了优势。本文强调 BDL 的优势、现有挑战，并重点介绍了一些旨在解决这些障碍的令人兴奋的研究路径。展望未来，讨论集中在如何将大规模基础模型与 BDL 结合起来发挥其全部潜力。

    Feb, 2024

  • 具有模型不确定性估计的安全强化学习

    使用 MC-Dropout 和 Bootstrapping 方法来提高安全驾驶机器人的模型稳定性，实现在未知数据情况下的碰撞回避。

    Oct, 2018

  • 端到端控制的空间不确定性采样

    本文提出了一种利用特征映射相关性估计不确定性的贝叶斯神经网络用于端到端控制，该方法在传统元素级 dropout 方法上实现了更好的模型拟合和更紧密的不确定性估计。

    May, 2018

  • 深度学习不确定性估计的通用框架

    提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

    Jul, 2019

  • 端到端自动驾驶控制的统计保证下的不确定性量化

    本论文提出了一种基于最先进的模拟器的框架，以评估端到端 Bayesian 控制器，实验评估了不同场景下用于避碰的不确定性计算的质量并表明不确定性估计可大大帮助自动驾驶车辆的决策。

    Sep, 2019

  • 评估基于贝叶斯深度学习的语义分割方法

    本研究提出了三种度量标准以评估贝叶斯深度学习模型在语义分割任务中的不确定性估计。通过修改 DeepLab-v3+ 模型并使用 MC dropout 和 Concrete dropout 作为推断技术，本研究在 Cityscapes 数据集上比较和测试这两种推断技术的性能。结果可作为研究者对改进不确定性量化的参考。

    Nov, 2018

  • 通过贝叶斯学习深度神经网络结构来度量不确定性

    这篇研究论文探究了一种新型的贝叶斯深度学习，通过在网络结构上执行贝叶斯推断来加强深度网络的不确定性估计，并提出了一种有效的随机变分推断方法，以统一网络结构和权重的学习。

    Nov, 2019

  • 自信驾驶的自动化人工智能控制器：具备不确定性知识的车辆转向

    在与真实世界进行接口的安全关键系统中，决策中的不确定性在机器学习模型中起着关键作用。本研究重点研发了一种使用机器学习框架的车辆横向控制系统，特别采用贝叶斯神经网络（BNN）来处理不确定性量化，该能力使我们能够评估模型预测的置信水平或不确定性。经过模拟数据训练的 BNN 控制器在单个轨道上测试以及其他各种轨道都表现出了适应和有效控制车辆的能力。通过建立置信阈值，我们可以触发手动干预，确保在算法操作超出安全参数范围时控制权可以被剥夺。

    Apr, 2024

  • 评估贝叶斯深度学习用于射电星系分类

    评估不同的贝叶斯神经网络对于无线电星系分类问题的预测性能、不确定性校准和分布漂移检测的表现。

    May, 2024

  • Bayesian 深度学习对于离散 - 连续和偏斜数据不确定性的量化

    该研究展示了一个离散 - 连续 Bayesian 深度学习模型，并使用高斯和对数正态分布来量化模型的不确定性，该模型可以更好地处理具有极度偏斜分布的数据。该模型为温室气体降尺度模型提供了不确定性评估，并在预测精度和不确定性校准方面表现出众。

    Feb, 2018