MMFeb, 2023

不确定性注入：一种深度学习方法用于鲁棒优化

PDF
TL;DR该论文提出了一种不确定性注入范式，用于培训深度学习模型以解决鲁棒优化问题，该模型能够隐含地考虑不确定性并产生统计上健壮的解决方案，而无线通信是存在不确定性的应用领域之一，在多用户 MIMO 下行传输的强鲁棒功率负载和设备到设备网络的强鲁棒功率控制中证明了所提出的训练方案的有效性。
发现论文，激发创造
  • 深度学习中基于联合不确定性注入的鲁棒通信与计算

    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

  • 基于深度学习和不确定性量化的自我改进干扰管理

    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

  • 通过输入不确定性理解深度神经网络

    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

  • 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

  • 深度神经网络多维度不确定性量化

    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

  • 通过任务感知的生成性不确定性实现对于超出分布输入的鲁棒性

    本文提出了一种结合生成模型和模型不确定性的不确定性感知机器人感知方法，用于处理源自超出分布状态的不确定性。

    Dec, 2018

  • 深度神经网络的广义不确定性：分类和应用

    本文综述了深度神经网络中不确定性的重要性和定义，包括传统领域和特定于深度神经网络的现有方法，并概括了其在多种实际学习任务中的应用。

    Feb, 2023

  • 用于基于风险决策的深度学习分类中的离散输入噪声量化不确定性

    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

  • 统一不确定性：将输入、数据和模型不确定性合并为单个公式

    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

  • 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