May, 2023

基于神经网络的语音增强中融入不确定性

PDF
TL;DR该研究通过在神经网络的语音信号增强过程中，将 aleatoric 和 epistemic 不确定性模型化，提出了一种模型不确定性建模的框架，并在不同数据集上验证了该方法的有效性。
supervised maskingspeech enhancementuncertainty modelingbayesian deep learningneural networks
发现论文，激发创造
  • 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

  • 迈向无偏随机不确定性估计的一步

    该研究提出了一种新的数据不确定性估计方法，通过主动去噪处理观察数据，以更准确地近似实际数据不确定性。实验证明，与标准方法相比，我们提出的方法更接近实际数据不确定性。

    Dec, 2023

  • 评估可扩展的贝叶斯深度学习方法在稳健计算机视觉中的应用

    该论文提出了一种深度学习可扩展的确定性和不确定性评估框架，并对两种最先进的可扩展方法进行了比较，即集成和 MC-dropout，结果表明集成方法提供更可靠和实用的不确定性估计。

    Jun, 2019

  • 表征代理校准及消除标注员和数据偏差的不确定性来源

    本文提出了一种简单的 Monte Carlo Dropout 算法，可以显式地量化神经网络输出的不确定性，利用此种不确定性可以解释模型复杂现象、如情感识别，此外也可以用于辨别主观标记样本和数据偏差的问题。

    Sep, 2019

  • 利用人工神经网络学习不确定性以改进预测性流程监控

    研究了使用贝叶斯神经网络中的可学习不确定性来训练预测过程监控模型，以预测剩余时间和结果，并得出结论认为这种不确定性估计可以区分更精确和不太精确的预测，从而提高了用户对于这种预测系统的信心，在合作和以较小的数据集进行更早的实施方面具有潜在的可应用性。

    Jun, 2022

  • 贝叶斯深度学习在计算机视觉中需要哪些不确定性？

    本研究探讨了在计算机视觉任务中，使用贝叶斯深度学习模型对本质和表观不确定性进行建模的影响， 并提出了一种新的深度学习框架，将输入相关的本质不确定性与表观不确定性相结合。 我们还提出了一种新的损失函数，可解释为学习的衰减，将其应用于像素级语义分割和深度回归任务中，使得模型更加鲁棒并取得新的最先进的结果。

    Mar, 2017

  • 证据深度学习：提高地球系统科学应用的预测不确定性估计

    可靠和实用的地球系统科学建模领域中，证据深度学习是一种有前途的方法，它能够准确量化预测不确定性，包括预测方差和模型不确定性，还可以通过敏感性分析来解释模型的预测结果。

    Sep, 2023

  • 采样免的近似方差传播用于认知不确定性估计

    提供了一种比使用蒙特卡洛采样估计神经网络的认识不确定性的方法更加高效的近似方法，该方法适用于大规模视觉任务。

    Aug, 2019

  • 深入探讨随机误差与认知误差的分离

    研究神经网络的不确定性问题，提出了一种新的不确定性量化方法，能够区分 aleatoric 和 epistemic uncertainties，实验证明 Ensembles 可以提供整体性最好的解决方案，同时推荐采样 softmax 函数的超参数 N 大于 100。

    Apr, 2022

  • 神经网络中使用数据增强的后验不确定性量化

    本文通过预测框架方法来解决深度学习中的不确定性量化问题，提出了一种更为真实的预测分布构建方法 MixupMP，在各种图像分类数据集上相对于现有的贝叶斯和非贝叶斯方法，MixupMP 实现了更优越的预测性能和不确定性量化。

    Mar, 2024