提出 PUQ(主要不确定性量化)—— 一种新的不确定区域定义和相应的分析方法,可以考虑图像内的空间关系,以提供更小的不确定性区域,并通过实验验证其有效性。
May, 2023
该论文可视化和量化基于梯度的神经网络后续可视化解释的预测不确定性,指出不确定性降低了解释的可信度,提出了一种插件方法以可视化和量化任何基于梯度的解释技术剩余的预测不确定性,并通过两个数据集、四种解释技术和六种神经网络架构对提出的观察进行了支持。
Jun, 2024
该研究聚焦于发展一种逆向 UQ 处理过程,以源于功能主成分分析(PCA)和基于深度神经网络(DNN)的代理模型的降维方法。 通过该方法,该研究在 TRACE 物理模型参数的逆向 UQ 方面取得了改进。
Jul, 2023
本文提出一种基于变分推断的高维深度学习不确定性量化方法,使用高斯过程将贝叶斯卷积神经网络先验和变分族相结合,为任意有监督的学习任务提供了预测不确定性估计,同时提供了快速训练的方法。此外,该文还提供了构建回归损失函数的充分条件,使其概率对应物与 aleatoric 不确定性量化相容。
Mar, 2020
通过后处理的抽样策略估计数据不确定性,该方法可用于任何前馈确定性网络,能生成多样化的预测分布,并与预测误差有着良好的相关性。
Aug, 2023
对于集成预测不确定性以提高深度学习患者安全性的图像分类器,我们评估了两种不同的方法。我们发现,这些方法使用光学相干断层扫描的数据集训练,能够得出更可靠的结果,有望提高患者安全性。
Aug, 2019
本文提出了一种基于生成模型的贝叶斯逆问题方法,特别针对图像重建中的噪声和不完整图像,并解决了贝叶斯重建中遇到的常见问题:使用包含所有可用信息的复杂数据驱动先验,并在潜在空间和数据空间中进行可计算的不确定性量化。
Oct, 2019
计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架,利用深度生成模型来学习近似后验分布,以有效量化图像重建的不确定性,无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型,以增强稳定性,并通过梯度增强来增强表达能力。此外,我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用(即快速 MRI 和黑洞图像重建)上验证了我们的方法。我们的结果表明,我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。
Nov, 2023
通过计算后验分布的高阶中心矩与后验均值的高阶导数之间的基本关系,提出了一种用于预训练的降噪器的不确定性估计方法,可有效计算图像区域的主成分以及在任意一维方向上的近似全边际分布。该方法快速、内存效率高,并且无需训练或微调降噪器。
Sep, 2023
人工智能决策中的不确定性量化通过提出的 PI 和 PSI 度量可以揭示计算机视觉模型预测的不确定性,表明香农熵在人工智能的最新方法中可能扮演重要角色。