基于空间相关性的图像恢复问题主要不确定量量化
为了在安全关键领域中部署图像恢复模型,本文提出了一种通过神经网络在单次前向传递中预测后验分布的主成分,可靠地传达实例适应不确定性方向,实现与后验采样器相当的不确定性量化,在速度上提升数倍。
Sep, 2023
在成像逆问题中,通过缺失或损坏的测量数据来恢复图像是一个不适定问题,因此我们提出了一种以任务为中心的方法来量化测量和恢复过程中引起的不确定性,其中使用符合性预测构建了一个区间,并保证以用户指定的概率包含真实图像的任务输出,并使用该区间的宽度来量化由测量和恢复产生的不确定性,我们还提出了一种在多轮测量中停止,直到任务的不确定性降至可接受水平的方法,该方法在加速磁共振成像 (MRI) 上进行了验证。
May, 2024
深度学习模型对交通预测的强大预测性能使其得到广泛应用,但缺乏可解释性限制了其在实际智能交通系统中的部署。通过使用不确定性量化方法,我们调查了这些方法在跨多个城市和时间段的大规模基于图像的交通数据集上的应用,以获得对现有不确定性方法在交通预测中的实用性以及不确定性与城市交通动态之间的关系的全面认识。在在时间和时空转移任务上比较了两种认知不确定性方法和两种他稳不确定性方法后,我们发现可以恢复有意义的不确定性估计。此外,我们进一步演示了如何利用不确定性估计来检测城市交通动态变化中的无监督异常点。通过对莫斯科市的代表性案例研究,我们发现我们的方法能够捕捉到交通行为的时间和空间效应。我们的工作是在交通预测任务中推动不确定性意识的进一步发展,并旨在突出不确定性量化方法对于更好理解城市交通动态的价值贡献。
Aug, 2023
本文提出了一种基于生成模型的贝叶斯逆问题方法,特别针对图像重建中的噪声和不完整图像,并解决了贝叶斯重建中遇到的常见问题:使用包含所有可用信息的复杂数据驱动先验,并在潜在空间和数据空间中进行可计算的不确定性量化。
Oct, 2019
基于参数引导算法的等变形式,该方法可以使用任何图像重建技术来量化不确定性,同时能处理无真实数据情况下的图像重建,并在实验证明该方法在估计准确度、不确定性量化和计算时间方面优于现有方法。
Oct, 2023
计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架,利用深度生成模型来学习近似后验分布,以有效量化图像重建的不确定性,无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型,以增强稳定性,并通过梯度增强来增强表达能力。此外,我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用(即快速 MRI 和黑洞图像重建)上验证了我们的方法。我们的结果表明,我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。
Nov, 2023
本文提出了一种新颖的基于原型的随机不确定性量化(PAU)框架,通过对内在数据模糊性的不确定性进行量化,构建了可信赖的预测,为跨模态检索提供准确的不确定性和可靠的预测。
Sep, 2023
最近几年,大型语言模型(LLMs)已经变得越来越普遍,提供了卓越的文本生成能力。然而,一个迫切的挑战是它们倾向于做出自信的错误预测,突显出在 LLMs 中的不确定性量化(UQ)的重要性。尽管以往的研究主要集中在解决 aleatoric 不确定性,但是包括 epistemic 不确定性在内的整个不确定性范围仍然不够被探索。通过采样与扰动相结合的 UQ 方法(SPUQ),我们提出了一个新颖的 UQ 方法,旨在解决 aleatoric 和 epistemic 不确定性。该方法包括为 LLM 输入生成一组扰动,对于每个扰动进行输出采样,并结合一个聚合模块来推广文本生成任务的采样不确定性方法。通过对各种数据集进行广泛的实验,我们调查了不同的扰动和聚合技术。我们的研究结果显示模型不确定性校准得到了显著改进,平均预期校准误差(ECE)减少了 50%。我们的研究结果表明,我们提出的 UQ 方法为增强 LLMs 的可靠性和可信度迈出了有希望的一步。
Mar, 2024
提出了一种名为 QuantifAI 的方法,利用数据驱动的先验知识处理射电干涉成像中的不确定性量化问题,通过高维度的统计模型和贝叶斯框架,实现了高质量图像重建和概率测量,并提供了用于结构假设检测的像素级不确定性推断方法。
Nov, 2023
利用稀疏先验的贝叶斯推断和基于凸优化的 MAP 点估计方法,利用概率浓度理论量化后处理的 MAP 估计量来提高无线电干涉成像的不确定性,为实际数据量和实际使用提供了一种扩展至大数据时代的无线电干涉成像的不确定性分析方法。
Nov, 2017