本文介绍了一种用于判断计算化学中基于代理模型的不确定性估计质量的方法,利用机器学习中的数字度量指标、模型准确性及校准性检测等,通过各种性能指标来评估模型的质量,及一个使用卷积神经网络和高斯过程回归器的模型对吸附能的预测和不确定性的估计得到了最好的表现。
Dec, 2019
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。
Nov, 2023
本篇研究论文重点介绍了机器学习模型中的不确定性量化方法,特别关注神经网络以及在工程设计和医疗领域的应用。通过介绍多种不确定性量化方法和计量标准,本篇论文旨在帮助提高机器学习模型的安全性和可靠性,同时提供两个具体案例:锂离子电池寿命预测和涡轮发动机剩余使用寿命预测。
May, 2023
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
本文提出了一种可靠的方法用于评估 AI 模型中预测不确定性,解决了现有的方法难以比较与衡量的问题。该方法基于操作特性曲线的概念和改进参考点的方法,可以有效地评估预测区间的准确性和稳定性,从而使其成为不确定性量化工具箱中的有价值的补充。
Jun, 2021
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
准确量化模型不确定性一直被认为是值得信赖的人工智能的基本要求。本文利用操作特性曲线的概念和相对空白参考的收益概念,提出了一种新的对预测区间进行评估的方法。通过定义不确定性特性曲线并展示其在选定场景中的效用,我们认为该方法能够满足目前对预测区间全面评估的需求,并因此成为不确定性量化工具箱中的有价值的补充。
Oct, 2023
该研究综述了机器学习中不确定性的来源、分类和度量方法,并讨论了不确定性对决策过程的影响。重点关注深度学习领域,提供了广泛范围的不确定性讨论和深度学习中的不确定性量化方法的最新综述。
Jun, 2024
本文提出了一种通过考虑统一的不确定性来源并在新数据上重新校准预测分布的信息传递神经网络,能够使神经网络准确预测分子的形成能,并且提供可靠的不确定性估计。
Jul, 2021
这篇论文介绍了机器学习在无线通信领域的应用,并提出了开发带有概率建模的 ML 系统来解决 ML 模型推理可靠性和不确定性的问题。作者使用 WiFi 信道状态信息进行了真实案例演示来证明该方法的正确性,并指出这种方法可以用于无线感知应用中,不仅仅是 WiFi 感知,还包括毫米波雷达等其他应用。
Oct, 2022