Jun, 2023

可信区间体积是一种衡量认识不确定性的好方法吗？

PDF
TL;DR本文提出了以区间概率来代表不确定性的方法，并阐述了其在二分类问题中衡量认知不确定性的几何意义。然而，在多分类问题中，利用几何体积来衡量认知不确定性则变得无意义。所以在机器学习领域中，对于不确定性的表达和量化需要谨慎处理。
uncertainty representationcredal setsprobability measuresepistemic uncertaintymachine learning
发现论文，激发创造
  • 置信可行集预测器

    使用与所提目的相应的相合预测的方法，成功地用置信集对分类任务进行预测。

    Feb, 2024

  • 最小体积置信集的几何形状

    通过研究最小体积置信集函数的几何形状，这篇论文为数据科学和机器学习提供了更加高效的置信集算法，尤其在 A/B 测试和强化学习算法分析中得到了广泛应用。

    Feb, 2022

  • 用适当评分规则量化随机和知识不确定性

    提出了基于合适评分规则（proper scoring rules）的新的测量方法，用于量化机器学习中的系统不确定性和认知不确定性，建立了不同不确定性表示之间的联系，并引入了新的认知和系统不确定性度量。

    Apr, 2024

  • 认知深度学习

    该论文介绍了一种基于随机集合解释置信度函数的认知深度学习概念，提出了一种新的随机集合卷积神经网络用于分类，并通过实验表明该认知方法在估计不确定性方面比传统方法具有更好的性能。

    Jun, 2022

  • 不确定性评估的模型平均信任包装器在异常检测中的应用

    本文提出了一种创新方法，称为 “信任套件”，用于模型平均的贝叶斯神经网络（BNN）和深度集成的置信区间表示，能够提高分类任务中的不确定性估计。

    May, 2024

  • 可信学习理论

    统计学习理论是机器学习的基础，为从未知概率分布中学习的模型的风险提供了理论上的界限。然而，在实际应用中，数据分布可能会变化，导致领域适应 / 泛化问题。本文通过使用概率凸集（credal sets）模型化数据生成分布的可变性，为学习的 `credal' 理论奠定了基础，并推导了有限假设空间和无限模型空间的界限，直接扩展了传统结果。

    Feb, 2024

  • 基于信任度评估网络的不确定机器推理

    该论文提出了一种用于不确定情况下高级融合和推理支持的估值网络的数学表示方法，并将其应用于人类操作者的支持。

    Aug, 2022

  • 测量分类决策的确定性和怀疑

    本文提出了用于贝叶斯和频率主义框架的直观得分法 —— 确信度和怀疑度，以评估和比较 (multi-) 分类决策机器学习问题中预测品质和不确定性的重要性及数量表征。

    Mar, 2023

  • 标签级表观和本体不确定性量化

    基于标签分解的不确定性量化方法，提高成本敏感决策并帮助理解不确定性来源，使用方差等非分类度量定义总体、属概性和认知不确定性，针对分类任务进行实证评估。

    Jun, 2024

  • 关于内在不确定性背景下软 Dice 优化分割图的体积偏差的理论分析和实验证实

    通过理论分析和实验验证，本文比较了在 CNN 训练中使用交叉熵和 soft Dice 两种损失函数对于具有固有不确定性任务的性能影响，发现 soft Dice 优化可能会引入体积偏差，从而限制了该方法在临床上的应用。

    Nov, 2022