该研究论文评估了机器学习中不确定性的现状,并尝试区分 aleatoric 和 epistemic 两种不确定性的类型。
Oct, 2019
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
本文研究基于统计学习理论的机器学习方法中的不确定性问题,并深入探讨了在回归分析中评估模型系数和输出特征值预测中的不确定度。另外,针对机器学习中的模型复杂度和严重非线性等问题提出解决方案,并指出决策制定时需要对机器学习模型和预测进行不确定性评估、风险评估的需求,并提供使用非参数技术解决不确定性问题的方法及最新的超级计算机设备供进行高强度计算。
Jun, 2022
这篇论文介绍了机器学习中不确定性的概念及其研究应用。研究者通过随机森林及决策树来量化学习器的混淆不确定性及知识不确定性,并将其与深度神经网络进行了比较。
Jan, 2020
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
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
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
本研究通过使用 BraTS 挑战数据集,研究了分别使用测试时蒙蔽和增强时蒙蔽方法测量深度学习模型输出中不确定性的差异性,结果表明两种不确定性类别在大小和空间模式上有很大的差异,并讨论了在各种应用中这些差异的影响。
Mar, 2022
研究机器学习模型中的不确定性,提出有针对性的数据增强方法以设计出对应不同不确定性来源的干预,结果表明,噪声数据和典型数据的学习率在引入额外信息后存在显著差异。
Jul, 2021
这篇论文介绍了机器学习在无线通信领域的应用,并提出了开发带有概率建模的 ML 系统来解决 ML 模型推理可靠性和不确定性的问题。作者使用 WiFi 信道状态信息进行了真实案例演示来证明该方法的正确性,并指出这种方法可以用于无线感知应用中,不仅仅是 WiFi 感知,还包括毫米波雷达等其他应用。
Oct, 2022