Aug, 2023

作物和杂草分类的组条件确认预测：基于分位数回归校准

PDF
TL;DR基于深度学习的精准农业系统中，缺乏对高度复杂、不透明和不确定的模型的用户信任是自动化解决方案被采纳的一大障碍。本文介绍了一种提供对任何黑盒预测机器的预测性能进行有效统计保证的符合预测框架，应用于实际环境中的深度视觉分类问题。同时介绍了针对不同群体条件的符合预测方法，通过经验证实证了该方法的有效性并与现有方法进行了比较和讨论。
deep learningprecision agricultureconformal prediction frameworkvisual classificationgroup-conditional conformal approaches
发现论文，激发创造
  • 深度学习模型不确定性的置信度量化

    本文探讨了在深度神经网络中表示模型不确定性的 Conformal Prediction 框架，提出了一种新的基于概率方法的模型不确定性量化方法，并提供了可靠的边界用于计算不确定度。

    Jun, 2023

  • 共形在线模型聚合

    这篇论文介绍了一种在在线环境中通过投票将多个算法的预测集合结合起来的方法，从而解决了在 conformal prediction 中的模型选择和 / 或聚合问题。

    Mar, 2024

  • 基于保序化的分位数回归

    本文介绍了一种新的预测方法，将 Conformal prediction 和经典的 quantile regression 相结合，使其完全适应异方差性，并且能够在不做分布假设的情况下，建立具有有效覆盖率的预测区间，相比其他 conformal 方法，本文提出的方法具有更高的效率和更短的预测区间。

    May, 2019

  • 利用符合预测的不确定性定量化地球观测中的概率机器学习

    人工智能系统中使用不可靠的预测会对决策产生负面影响，而基于模型不可知性量化的符合性预测方法可以解决这个问题，特别是在地球观测应用中，该方法可以提供可靠的不确定性信息并增强可靠性。

    Jan, 2024

  • 带有许多类别的类条件拟合预测

    本文提出了一种称为聚类置信预测的方法，该方法通过聚类类，将具有 “相似” 信心得分的类聚合在一起，然后在聚类水平上执行置信预测，进行分类问题中的更强的置信度验证，应用于多分类图像数据集中表现更加优秀。

    Jun, 2023

  • 嵌套一致性预测和袋外分位数集成方法

    本文讲述了一个基于嵌套的框架的可靠预测方法，使用该方法，我们设计并实现了 QOOB 算法，它将四个想法整合在一起：分位数回归、交叉合规化、集成方法和袋外预测。在模拟和真实数据集上的实验中，QOOB 的表现要么最佳，要么接近最佳。

    Oct, 2019

  • 深度回归森林用于抗癌药物敏感性预测的高效归一化一致性预测与不确定性量化

    通过计算深度回归树获得的方差，我们提出了一种方法来估计每个样本的不确定性，显示深度回归森林方差提高了规范化归纳预测模型在药物反应预测任务中的效率和覆盖率。

    Feb, 2024

  • 模糊基准下的整形预测

    在安全关键的分类任务中，我们提出了一种适用于含有模糊标签的情况的 conformal prediction 框架，在 approximated 的标签的基础上通过近似输入的后验分布来进行不确定性的校准。我们在合成和真实数据集上验证了我们的方法，并在皮肤病学中患者条件分类的案例研究中进行了实证。

    Jul, 2023

  • 基于局部加权合拢预测的自动估值模型中的不确定性量化

    非参数机器学习模型与符合预测是房地产市场数据中准确预测房屋价格的方法，但由于地理空间上的依赖，直接应用符合预测在不同地理区域的置信区间不完全校准。本研究调查了各种方法来调整符合预测的置信区间以解决此问题，并在挪威奥斯陆房地产市场数据集上验证其性能。研究结果表明，在非一致性分数的 extit {局部加权} 版本上校准置信区间可以在不同地理区域中一致地进行校准。我们还在合成生成的销售价格上进行了模拟研究，从而在已知数据生成机制的理想条件下实证探索符合预测在房地产市场数据上的性能。

    Dec, 2023

  • 一个温和的介绍：拟合预测及无分布不确定性量化

    介绍一种无需分布假设或模型假设，可用于任何预训练模型（如神经网络）生成 100% 正确性置信区间（信赖区间）的方法， 称之为一致预测；并提供了 Python 示例代码和 Jupyter 笔记本来说明此方法在计算机视觉、自然语言处理和深度强化学习等领域上的应用。

    Jul, 2021