Nov, 2023

基于满射正则化流的不确定性量化和外样本检测

PDF
TL;DR通过使用满射规范化流方法，在深度神经网络模型中计算单次前向传播，可可靠地识别来自分布之外的数据集。该方法基于深度不确定性量化和正则化流中的最新进展，应用于合成数据集并与其他模型进行比较，表明满射流模型是可靠区分分布内外数据的关键组成部分。
epistemic uncertaintyaleatoric uncertaintysurjective normalizing flowsout-of-distribution datadeep uncertainty quantification
发现论文，激发创造
  • 使用数据流形上的标准化流进行外分布检测

    使用低维流形的测度和距离作为离群检测的标准，实验结果表明流形学习改善了归一化流这一类基于似然模型的离群检测能力，而无需修改模型结构或使用训练期间的辅助离群数据。

    Aug, 2023

  • 条件伪可逆正态流量在量化不确定传播中的代理建模

    通过引入条件伪可逆归一化流，我们提出了一种构建受加性噪声污染的物理模型的替代模型的方法，以便有效量化前向和反向的不确定传播。我们的模型可以直接学习并高效地从条件概率密度函数中生成样本，并且可以针对任何高概率区域被训练集所覆盖的条件概率密度函数生成样本。此外，伪可逆性特性使得我们可以使用全连接神经网络结构，简化了实现并实现了理论分析。我们的方法经过了严格的收敛性分析，证明了其能够使用 KL 散度收敛于目标条件概率密度函数。为了证明我们方法的有效性，我们将其应用于几个基准测试和一个真实的地质碳储存问题。

    Mar, 2024

  • 使用归一化流提高多注释医学图像分割中的不确定性度量

    使用正则化流 (NFs) 的方法来模型化分割模型中的不确定性，相较于严格使用高斯密度模型，可以让模型更具表现力，有效提高单标注和多标注分割数据集的分割性能，并明确提出了更灵活的密度模型应该在该领域内被认真考虑。

    Aug, 2021

  • 概率建模与推理的正则化流

    本文综述了正则流动的研究现状，通过概率建模和推断的视角，分析了其表达能力、计算权衡等基础原理，并将其与更一般的概率转换联系起来，总结了其在生成建模、近似推断和监督学习等任务中的应用。

    Dec, 2019

  • 基于正向传播的工业时间序列数据新颖性检测方法

    Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

    Jun, 2019

  • 等变流：对称密度的精确似然生成学习

    本文研究了等变正规化流，在物理和化学的多体系统中存在的对称性被设计地融入流中，建立流的基础块并提高采样效率与泛化能力。

    Jun, 2020

  • 正规流：当前方法的介绍与评述

    本文综述了 Normalizing Flows 在分布学习中的构建和使用，旨在提供模型的背景和解释，回顾现有的最新文献，并确定未来可行的有前途的方向和未解决的问题。

    Aug, 2019

  • 反问题的组合归一化流

    本文提出了一种基于流模型的方法来估计条件密度并解决逆问题，并通过实验验证其在产生高质量样本和不确定性量化方面的有效性。

    Feb, 2020

  • 干预密度估计的正规流

    本文介绍了一种利用干预深度规范化流方法从观测数据中估计潜在结果密度的方法，并且在各种实验中展示了其高效和可行性。

    Sep, 2022

  • 量子归一化流用于异常检测

    量子架构中采用正态流进行异常检测并展现出具有竞争力的性能表现。

    Feb, 2024