Dec, 2023

二阶不确定性量化：基于方差的度量

PDF
TL;DR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。
uncertainty quantificationmachine learning modelsvariance-based measuresclassification problemsaxiomatic approach
发现论文，激发创造
  • 二阶不确定性量化：基于距离的方法

    根据最新的批评，我们提出了基于二阶概率分布的预测不确定性的有效度量指标的一组形式标准，并提供了一个基于 Wasserstein 距离的具体框架，证明了所有标准均得到满足。

    Dec, 2023

  • 证据不确定性量化：一个基于方差的视角

    基于方差的方法扩展到分类问题中，量化分类的不确定性，实验结果显示这种方法在主动领域适应中与基于熵的方法的准确性相似，并提供了关于类别间不确定性和相关性的信息。

    Nov, 2023

  • 标签级表观和本体不确定性量化

    基于标签分解的不确定性量化方法，提高成本敏感决策并帮助理解不确定性来源，使用方差等非分类度量定义总体、属概性和认知不确定性，针对分类任务进行实证评估。

    Jun, 2024

  • 深度学习的不确定性量化

    提供了深度学习的完整且具有统计一致性的不确定性量化，包括源自（1）新的输入数据，（2）训练和测试数据，（3）神经网络的权重向量和（4）神经网络本身的不确定性。

    May, 2024

  • 机器学习中的不确定性量化 - 工程设计与健康预测教程

    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

  • 引入一种改良的信息论预测不确定性度量

    应用机器学习模型进行决策需要区分模型所知与不知的内容。本文提供新的洞见，揭示当前预测不确定性度量的局限性，并引入了一种理论上可靠的度量方法来克服这些局限。实验证明，我们引入的度量方法在控制的合成任务中表现得更加合理，并且在利用预测不确定性的实际应用中具有优势。

    Nov, 2023

  • 揭示二阶效应以解释预测的不确定性

    可解释性人工智能为复杂的机器学习黑盒子带来了透明度，从而能够识别模型在预测中使用的特征。我们的研究揭示出预测不确定性主要由涉及单个特征或特征之间的乘积相互作用的二阶效应所主导。我们提出了一个基于这些二阶效应的预测不确定性解释方法。我们的方法在计算上简化为对一系列一阶解释进行简单的协方差计算。我们的方法通常适用，可以将常见的归因技术（LRP、梯度 × 输入等）转化为强大的二阶不确定性解释器，我们称之为 CovLRP、CovGI 等。我们通过系统的定量评估证明了我们的方法产生解释的准确性，并通过两个实际案例展示了我们方法的整体实用性。

    Jan, 2024

  • 训练后的机器学习回归模型中不确定性传播的分析结果

    机器学习模型在计量学应用中的可信度需要伴随确定性不确定性的量化，本文解决了经过训练 / 固定的机器学习回归模型中不确定性传播的挑战，提供了在特定输入数据分布和多种机器学习模型下，对模型输出均值和方差的解析表达式，并通过数值实验验证方法，与蒙特卡罗方法在计算效率上进行比较，同时以锂离子电池状态建模为例，展示了方法的应用。

    Apr, 2024

  • 测量不确定性：关联物理和虚拟测量的不确定性

    通过将机器学习模型的预测不确定性与实际物理检测的测量不确定性联系起来，可以在质量管理中使用概率模型进行虚拟检测，并将其融入现有质量管理概念，从而实现对过程数据的全面测量，提高检测率并及时识别缺陷产品 / 零件。

    Feb, 2024

  • 科学机器学习中的不确定性量化：方法、指标和比较

    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