深度回归森林用于抗癌药物敏感性预测的高效归一化一致性预测与不确定性量化
提供一种新的方法,用于校准具有局部覆盖保证的回归问题的预测区间,该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分,适用于各种合规得分和预测设置,且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。
Feb, 2024
本文探讨了在深度神经网络中表示模型不确定性的 Conformal Prediction 框架,提出了一种新的基于概率方法的模型不确定性量化方法,并提供了可靠的边界用于计算不确定度。
Jun, 2023
通过进行全面的实验和比较性能分析,我们研究了皮肤病变分类任务中三种不确定性量化方法:Conformal Prediction、Monte Carlo Dropout 和 Evidential Deep Learning,发现 Conformal Prediction 在各种条件下表现出的鲁棒性和一致性,使其成为安全关键应用中决策的首选。
Dec, 2023
介绍一种无需分布假设或模型假设,可用于任何预训练模型(如神经网络)生成 100% 正确性置信区间(信赖区间)的方法, 称之为一致预测;并提供了 Python 示例代码和 Jupyter 笔记本来说明此方法在计算机视觉、自然语言处理和深度强化学习等领域上的应用。
Jul, 2021
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
过去几十年,数据分析和机器学习领域的大部分工作都致力于优化预测模型,并取得比现有模型更好的结果。然而,本文指出对于很多应用而言,更加重要的并非准确的预测,而是变异性或不确定性。本文进一步探讨了让每个人了解不确定性、意识到其重要性并学会拥抱而不是害怕不确定性的世界,对一种确定性估计准确性的具体框架 —— 被称为 “符合性预测” 的框架进行了细致研究。而且,无需对数据进行参数假设,这一非参数结果在渐近程度上也不必依赖大数定律,使得这个框架成为唯一值得称为 “无分布假设” 的框架。
May, 2024
利用深度神经网络学习目标函数的深度非参数回归近年来成为研究的焦点,尽管在理解收敛速度方面取得了相当的进展,但缺乏渐近性质阻碍了严格的统计推断。为填补这一空白,我们提出了一种新的框架,将深度估计范式转化为一种有利于条件均值估计的平台,利用条件扩散模型。在理论上,我们为条件扩散模型开发了端到端的收敛速度,并建立了生成样本的渐近正态性。因此,我们可以构建置信区间,便于进行鲁棒的统计推断。此外,通过数值实验,我们在实践中检验了我们提出的方法的有效性。
May, 2024
本文介绍了一种新的预测方法,将 Conformal prediction 和经典的 quantile regression 相结合,使其完全适应异方差性,并且能够在不做分布假设的情况下,建立具有有效覆盖率的预测区间,相比其他 conformal 方法,本文提出的方法具有更高的效率和更短的预测区间。
May, 2019
采用符合预测方法的分布自由不确定性量化框架,获得具有覆盖保证的深度操作网络回归的置信度预测区间,并通过将符合预测与 Prob-DeepONet 和 B-DeepONet 相结合,有效地量化不确定性,生成严谨的深度操作网络预测的置信度区间,同时设计一种新颖的 Quantile-DeepONet,允许更自然地使用符合预测,被称为符合预测的 Quantile-DeepONet 回归的无分布有效不确定性量化框架,并通过各种常规、偏微分方程数值示例和多保真度学习证明所提出方法的有效性。
Feb, 2024