证据不确定性量化:一个基于方差的视角
该论文提出了一种基于证据学习的深度贝叶斯分位回归模型,能够在没有高斯分布假设的情况下估计连续目标分布的分位数,同时捕捉不确定性和提高模型的可计算性和可扩展性。
Aug, 2023
在这篇论文中,我们提出了一种新的方法来使用基于方差的度量标准来量化分类问题中的不确定性,能够对类别级别的不确定性进行推理,该方法在需要细致决策的情况下非常有用。除了这种公理方法,我们还提供了实证结果,表明这种度量标准在有效性和竞争性上与常用的基于熵的度量标准相当。
Dec, 2023
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
通过在类概率上使用狄利克雷分布对主观逻辑进行建模并使用确定性神经网络从数据学习收集导致预测的证据的功能,我们提出一种与贝叶斯神经网络正交的方法,该方法可以直接推断出预测的不确定性。我们的方法在检测超出分布的查询和对抗性扰动方面取得了空前的成功。
Jun, 2018
本文针对文本分类任务中的 OOD 检测问题,提出了基于证据不确定性的方法,该方法通过引入辅助的离群样本和伪样本来训练模型,并明确建模了类别概率的不确定性。实验证明,该方法能够轻松部署于传统 RNN 和 Fine-tuned 预训练 transformers,并在 OOD 检测上优于其他方法。
Jul, 2021
本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用,为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习,需要准确地量化多变量不确定性,提出并实验了通过神经网络建模多元不确定性的方法,并证明精确的多变量不确定性量化对于卡尔曼滤波器性能在领域内和领域外评估数据中的巨大影响,同时指出端到端滤波器训练可以允许不确定性预测来补偿滤波器的不足。
Oct, 2019
我们的研究旨在为任何预训练模型量化认识上的不确定性,不需要原始训练数据或模型修改,可以确保广泛适用于任何网络架构或训练技术;我们提出了一种基于梯度的方法来评估认识上的不确定性,通过分析输出相对于模型参数的梯度,从而指示必要的模型调整以准确地表示输入。
Apr, 2024