本研究回顾了当前深度学习中不确定性量化(UQ)方法的最新进展,其应用于计算机视觉,医学图像分析,自然语言处理等领域,并调查了这些方法在强化学习中的应用。接着,我们概述了 UQ 方法的几个重要应用,并简要概述了 UQ 方法面临的基本研究挑战,讨论了未来在此领域的研究方向。
Nov, 2020
本篇研究论文重点介绍了机器学习模型中的不确定性量化方法,特别关注神经网络以及在工程设计和医疗领域的应用。通过介绍多种不确定性量化方法和计量标准,本篇论文旨在帮助提高机器学习模型的安全性和可靠性,同时提供两个具体案例:锂离子电池寿命预测和涡轮发动机剩余使用寿命预测。
May, 2023
使用物理知识指导的贝叶斯神经网络(BNNs)进行材料预测,可实现准确的失效寿命预测和不确定性估计,提供决策依据。
Nov, 2023
本研究比较了多种机器学习技术的 UQ 准确性,并对两个模型(船只在波浪中的运动和 Majda-McLaughlin-Tabak 模型)进行了应用。
Jun, 2023
该论文提出了一种基于证据学习的深度贝叶斯分位回归模型,能够在没有高斯分布假设的情况下估计连续目标分布的分位数,同时捕捉不确定性和提高模型的可计算性和可扩展性。
Aug, 2023
对深度学习的 UQ 方法进行了质量评估,比较了不同模型的不确定性估计质量。
该研究综述了机器学习中不确定性的来源、分类和度量方法,并讨论了不确定性对决策过程的影响。重点关注深度学习领域,提供了广泛范围的不确定性讨论和深度学习中的不确定性量化方法的最新综述。
Jun, 2024
本论文调查了信念理论在深度学习中的应用及其局限性,并提出了未来的研究方向。
Jun, 2022
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。
本文提出了一种新的信用风险评估方法,采用深度循环卷积神经网络并利用长期历史金融数据序列的新型信用卡交易抽样技术,优于现有的基于树模型的方法,能够实现显著的金融节约和更早的信用风险检测。
Dec, 2020