不确定性注入:一种深度学习方法用于鲁棒优化
这篇论文研究了基于深度学习的方法在 6G 通信系统中同时管理传输和计算能力以及资源分配中的不确定性。通过将估计的信道和计算需求映射到优化的资源分配中,通过在 DNN 输出后注入不确定性样本来获得更好的鲁棒性和延迟性能,特别是在高信道和计算不确定性情况下。
Jun, 2024
本论文提出了一种突破性的自我提升的无线通信干扰管理框架,结合深度学习和不确定性量化,以提高整体系统性能。通过利用深度学习模型来预测最佳的干扰管理解决方案,该方法解决了传统基于优化算法的计算挑战。该框架突破性地认识到数据驱动模型的局限性,特别是在训练数据集未能充分代表的情况下。为了克服这些挑战,我们提出了一种不确定性量化方法,并附带了一个资格标准,以评估模型预测的可信度。该框架在模型生成的解决方案和传统算法之间以策略性的方式交替应用,根据量化的不确定性评估预测的可信度。实验结果验证了该框架的有效性,并展示了其在训练数据集未能充分代表的情况下相对于传统深度学习模型的优越性。本研究是在不确定性量化的视角下,利用自我提升的深度学习进行干扰管理的开创性探索。
Jan, 2024
利用轻量级概率网络,将预测不确定性纳入灵敏度分析以及通过不确定性分解的新方法进行模型解释,最终提高了模型的鲁棒性和推广能力,并从输入域的不确定性解释预测不确定性,从而提供了验证和解释深度学习模型的新方法。
Oct, 2018
本文旨在研究如何衡量深度神经网络中不同的不确定性因素,进一步探究利用这些因素更有效地解决不同决策问题的方法。其中,作者提出了一个一般学习框架来定量不同根本原因导致的多种不确定性,并发现在对于深度神经网络的分类及早期时间点的事件检测中,对于实现最佳效果的不确定性因素分别为矛盾和真空。此外,本文还提出了一个改进 SSL 算法的框架,以抵御 OOD 对象的重要影响。
Apr, 2023
深度神经网络在风险决策中的应用受到广泛关注,已在医学、金融、制造和质量控制等领域取得广泛应用。本文提出了一种数学框架,用于量化深度神经网络模型的预测不确定性,特别针对含有离散特征变量的表格数据集。通过对结核病患者在治疗过程中的预测进行案例研究,结果表明在一定风险水平下,我们能够识别出风险敏感的情况,这些情况容易因为预测器中的误差而被错误分类。与蒙特卡洛丢弃法相比,我们提出的框架更加关注误分类的情况。我们的提出的深度学习不确定性量化框架可在存在离散预测误差的应用中支持基于风险的决策。
Oct, 2023
通过神经网络传播输入不确定性时,我们提出了一种同时能够估计输入、数据和模型不确定性的方法,结果表明这种输入不确定性的传播导致更稳定的决策边界,即使在大量输入噪声的情况下也是如此。
Jun, 2024
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