AAAIFeb, 2023

基于贝叶斯神经网络的不确定性一致性半监督深度回归和变分模型集成

PDF
TL;DR本文提出了一种新的半监督回归方法，即不确定性一致变分模型集成（UCVME），通过生成高质量的伪标签和不确定性估计来改善训练，并且引入一种新的变分模型集成方法来减少预测噪声和生成更稳健的伪标签。实验结果表明，我们的方法在不同任务上优于现有的替代方法，并且可以与使用完全标签的监督方法竞争。
发现论文，激发创造
  • 半监督深度核学习：通过最小化预测方差进行未标记数据回归

    本论文提出一种半监督深度内核学习方法（SSDKL），该方法结合了神经网络的分层表示学习和高斯过程的概率建模能力，并利用未标记数据来提高真实世界回归任务的预测准确性。

    May, 2018

  • 证据不确定性量化：一个基于方差的视角

    基于方差的方法扩展到分类问题中，量化分类的不确定性，实验结果显示这种方法在主动领域适应中与基于熵的方法的准确性相似，并提供了关于类别间不确定性和相关性的信息。

    Nov, 2023

  • 变分不平衡回归

    本文介绍了一种概率深度学习模型，名为 Variational Imbalanced Regression (VIR)。该模型可以在标记分布不平衡的情况下，准确地进行回归，并自然地产生合理的不确定度估计，实验证明我们的 VIR 在准确性和不确定度估计方面均可优于现有的不平衡回归模型。

    Jun, 2023

  • 深度学习中的多元不确定性

    本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用，为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习，需要准确地量化多变量不确定性，提出并实验了通过神经网络建模多元不确定性的方法，并证明精确的多变量不确定性量化对于卡尔曼滤波器性能在领域内和领域外评估数据中的巨大影响，同时指出端到端滤波器训练可以允许不确定性预测来补偿滤波器的不足。

    Oct, 2019

  • 可靠的方差网络训练和估计

    本研究提出了新的互补方法来估计回归神经网络中的预测方差网络，经验证明此方法大幅改善了预测不确定性的估计。

    Jun, 2019

  • 带不确定性多视角对半监督 3D 学习

    本文提出了一种基于多视角一致性的 3D 数据协同训练新框架，利用不同子网络的多样化特征来扩展协同训练，采用基于贝叶斯深度学习的不确定性加权标签融合机制来估计每个视图预测的可靠性，并通过自适应方法计算每个未标注样本的置信度，它在临床图像处理领域的效果得到了验证。

    Nov, 2018

  • 多维贝叶斯回归最末层：不确定性量化与解缠

    我们提出了一种新的贝叶斯末层模型，用于处理异方差噪声下的多变量回归，并提出了一种参数学习的优化算法。贝叶斯末层模型将预测分布的贝叶斯建模与神经网络的参数化相结合，能够通过单次前向传递进行不确定性量化。该框架能够区分事件误差和认知误差，并可用于将经典训练的深度神经网络迁移到具有不确定性感知能力的新数据领域。

    May, 2024

  • 不平衡深度回归问题的不确定性投票专家混合模型

    该研究提出了一种适用于回归问题的新型混合专家方法，利用个体专家的预测不确定性作为融合的依据，实现对不平衡数据的有效学习。实验结果表明，该方法优于现有备选方案，同时产生更好的不确定性估计。

    May, 2023

  • 基于敏感度的密集回归无需训练的不确定性估计

    提出三种方法以分析密集回归训练网络的输出方差，在推理过程中无需重新训练或调整模型，这些方法得出的不确定性估计结果与需要重新训练以及调整的最先进的方法相当甚至更好。

    Sep, 2019

  • 深度回归森林用于抗癌药物敏感性预测的高效归一化一致性预测与不确定性量化

    通过计算深度回归树获得的方差，我们提出了一种方法来估计每个样本的不确定性，显示深度回归森林方差提高了规范化归纳预测模型在药物反应预测任务中的效率和覆盖率。

    Feb, 2024