粒子加速器的不确定性感知深度学习
以深度神经网络和高斯过程逼近技术为基础的模型,通过奇异值分解和谱归一化密集层的比较,用于解决粒子加速器中高压转换调制器电容值预测问题,并显著提高了距离保持和准确度。
Jul, 2023
研究了如何改进深度神经网络的不确定性量化能力,基于确定性表示将不确定性量化形式化为极小化 - 极大化学习问题,提出了一种名为 SNGP 的方法,通过两个简单的改变来提高现代 DNN 的距离感知能力,取得了较好的预测、校准和超领域检测性能。
May, 2022
本文提出了一种基于距离感知的先验分布校准方法 (DAP),可用于纠正贝叶斯深度学习模型在域外过于自信的问题,该方法可以作为后处理步骤执行,并能够有效地用于多种分类和回归问题。
Jul, 2022
本篇研究提出了一种神经网络模型,该模型能够同时表达 aleatoric 和 epistemic 不确定性,区分特征空间的决策边界和 “out-of-distribution” 区域。在训练过程中,通过集成变分自编码器和生成对抗网络的方法生成了 “out-of-distribution” 样本。通过在多个数据集上进行实验,表明该方法提供了更好的不确定性估计,并且在识别对抗样本时表现出优异的表现。
Jun, 2020
深度学习方法在建模机器人估计系统中的不确定性上表现出了巨大潜力,特别是当不确定性分布不符合传统的固定和高斯假设时。本研究通过三种基本的深度学习方法(参数化模型、离散化模型和生成模型)对非高斯型不确定性进行了数值建模和评估,并在模拟非高斯密度和现实世界的地形相对导航数据上系统比较了这三种方法的优缺点。结果表明,这些深度学习方法能够准确捕捉复杂的不确定性模式,彰显了它们提高估计系统可靠性和鲁棒性的潜力。
May, 2024
本研究旨在利用机器学习模型准确预测 SAFARI-1 研究反应堆中装配件轴向中子通量分布,通过使用历史周期的测量数据进行训练,同时量化模型预测的近似不确定性,并通过组合监督和无监督机器学习算法改进控制装配件的预测精度和降低预测不确定性。
Dec, 2023
本研究提出了一种基于模型历史快照的算法,用于在非贝叶斯深度神经分类中,有选择地估计高度自信点的不确定性,这解决了从已训练网络中提取不确定信号的已知方法所带来的偏差估计问题,研究表明所提出的算法比所有已知方法的不确定性估计结果更加准确。
May, 2018
该研究提出了一种新的数据不确定性估计方法,通过主动去噪处理观察数据,以更准确地近似实际数据不确定性。实验证明,与标准方法相比,我们提出的方法更接近实际数据不确定性。
Dec, 2023
提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计,这个方法具有与神经网络结构和任务无关,不需要优化进程的更改,能够应用于已经训练好的结构,有效地提高了准确性。
Jul, 2019