多视角一致性学习用于异质传感器融合

Feb, 2024

多视角一致性学习用于异质传感器融合

Multi-View Conformal Learning for Heterogeneous Sensor Fusion

Enrique Garcia-Ceja

TL;DR为了评估机器学习模型单个预测的可信度，我们建立和测试了多视角和单视角的异构传感器融合的模型，这些模型基于相合预测框架，提供了理论上的边际置信保证。通过全面实验，我们证明了多视角模型不仅在准确性性能度量方面（已在多个之前的工作中显示），而且在提供不确定性估计的相合度量方面，比单视角模型表现更好。

Abstract

Being able to assess the confidence of individual predictions in machine learning models is crucial for decision making scenarios. Specially, in critical applications such as medical diagnosis, security, and unmanned vehicles, to name a few. In the last years, complex predictive models have had great success in solving hard tasks and new methods are being pr

confidence assessment machine learning models sensor fusion conformal models uncertainty estimation

发现论文，激发创造

多用户环境中的符合性预测评估

在多用户设置中，我们评估了共形预测框架，并通过使用不同的评估策略进行了大量实验，发现在共形性能指标方面存在显著差异。同时，我们提出了基于矩阵、图表和图形的多个可视化方法来捕捉预测集的不同方面。

Dec, 2023

共形在线模型聚合

这篇论文介绍了一种在在线环境中通过投票将多个算法的预测集合结合起来的方法，从而解决了在 conformal prediction 中的模型选择和 / 或聚合问题。

Mar, 2024

基于置信区间预测的无分布式偏差联邦学习

该研究提出将自适应拟合框架结合到联邦学习中，确保预测集的分布自由且提供覆盖担保，可在不需要对模型进行任何其他修改的情况下获得不确定性估计，实验证明本方法在医学影像分类任务中取得了更佳的覆盖度。

Oct, 2021

机器翻译评估的共形化

本文研究机器翻译的不确定性评估方法，发现目前大多数方法对模型不确定性的估计较低，建议采用分布自由的合规预测法来保证覆盖度，并提出条件合规预测技术来获得每个数据子组的校准子集，从而实现覆盖率均衡。

Jun, 2023

用于医学图像应用的公平一致性预测器

本文探讨了如何利用符合性预测相结合的深度学习方法，提高医学影像技术在医学决策中的透明性和可靠性，并在皮肤病例分类方面进行了实证研究，认为在患者肤色差异方面可适当改进符合性预测模型。同时，对比了其与认知不确定性的差异。

Sep, 2021

导航冲突观点：利用信任学习

解决冲突是使多视角分类决策更可靠的关键，现有的基于信任的框架无法适应不同视角之间可能出现的冲突，因此我们开发了一种计算信任的折扣方法来增强现有的框架，通过考虑实例级概率敏感的信任折扣机制，对个体视角的预测进行融合以提高可靠性，在真实应用中的六个数据集上验证了我们的方法，使用了 Top-1 准确率、AUC-ROC 用于不确定性感知预测、Fleiss' Kappa 以及考虑了基准真实标签的新指标 Multi-View 一致性，实验结果表明，计算机信任可以有效解决冲突，为更可靠的多视角分类模型铺平了道路。

Jun, 2024

顺应化的多模态不确定性回归和推理

本研究介绍了一种轻量级的不确定性估计器，通过将符合预测与深度学习回归器相结合，能够预测多模态（不相交）的不确定性界限。我们特别讨论了它在视觉里程计中的应用，该应用中环境特征，如飞行领域的对称性和模糊和遮挡下的传感器测量，可能导致多模态不确定性。我们的模拟结果显示，在我们的框架中，不确定性估计根据具有挑战性的操作条件自适应地调整每个样本，例如明显的噪声、有限的训练数据和有限的预测模型参数大小。我们还开发了一种推理框架，利用这些稳健的不确定性估计并结合基于光流的推理来提高预测准确性。因此，通过恰当地考虑数据驱动学习的预测不确定性，并通过基于规则的推理关闭其估计循环，我们的方法在所有这些具有挑战性的场景中始终优于传统的深度学习方法，通过减少预测误差 2-3 倍。

Sep, 2023

模糊基准下的整形预测

在安全关键的分类任务中，我们提出了一种适用于含有模糊标签的情况的 conformal prediction 框架，在 approximated 的标签的基础上通过近似输入的后验分布来进行不确定性的校准。我们在合成和真实数据集上验证了我们的方法，并在皮肤病学中患者条件分类的案例研究中进行了实证。

Jul, 2023

缺失数据下的多视角集成学习：计算框架和使用 Safe Autonomous Driving 领域新数据的评估

本文探讨了多传感器融合和集成学习方法在自动驾驶的手部活动识别任务中的应用，展示了采用并行卷积神经网络作为传感器间信息融合的一种迟到融合方法，提出了处理丢失信息的方案，并对该方法进行了比较分析。

Jan, 2023

多类别和多标签预测中的有效和验证置信集

本文介绍一种基于分位数回归和树状结构分类器的符合性预测方法，可以有效解决多分类和多标签问题中难易样本分布不均匀、信心区间过大等挑战，且可以和任何分类模型结合使用并保证有效性。

Apr, 2020