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
本文介绍了一个包含不确定性建模、解法和评估的完整框架,用于量化神经网络中包括噪声、有限数据、超参数、过度参数化、优化和采样误差及模型错误等多源的误差和不确定性,特别关注向无限维函数空间中的偏微分方程和操作映射的学习,包括一个在原型问题上进行的广泛的比较研究。
Jan, 2022
通过引入贝叶斯方法来量化物理知识中 PINNs 和 NOs 中由于带有噪声的输入和输出引起的不确定性。
Nov, 2023
我们的研究旨在为任何预训练模型量化认识上的不确定性,不需要原始训练数据或模型修改,可以确保广泛适用于任何网络架构或训练技术;我们提出了一种基于梯度的方法来评估认识上的不确定性,通过分析输出相对于模型参数的梯度,从而指示必要的模型调整以准确地表示输入。
Apr, 2024
使用不确定性量化技术对预训练视觉模型进行预测不确定性估计,以提取有价值的预测并忽略不自信的预测,从而避免最多 80% 的被错误分类的样本。
Mar, 2024
文章通过对 5 个基准数据集的系统评估,研究不同的不确定性量化方法在回归任务中的性能表现,发现没有一种方法完全优于其他方法,也没有一种特别可靠的错误排名。作者建议在已有的技术中进行选择。
May, 2020
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。
通过使用随机数据和 dropout 法来分别表示参数不确定性和近似不确定性,将经典的 PINN(物理信息神经网络)与 NN-aPC 的推广相结合,扩展了我们的工作到多维随机偏微分方程。
Sep, 2018
本文研究比较了在一个物理系统的背景下,深度学习算法的不确定性量化方法,包括贝叶斯神经网络,Concrete Dropout 和 Deep Ensembles,并探讨了它们的优缺点,结果为使用和解释不确定性量化方法提出了一些建议。
Apr, 2020
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