深度证据学习的剂量预测

Apr, 2024

Deep Evidential Learning for Dose Prediction

Hai Siong Tan, Kuancheng Wang, Rafe Mcbeth

TL;DR在放射治疗剂量预测领域，我们应用了一种名为深度证据学习的不确定性量化框架，通过使用 Open Knowledge-Based Planning Challenge 数据集的医学影像，我们发现该模型可以有效地产生与预测误差相关的不确定性估计，在网络训练完成后仅经过重新构建原始损失函数以实现稳定实现。实验结果表明，深度证据学习相对于 Monte-Carlo Dropout 和 Deep Ensemble 方法，能够更线性地根据不确定性阈值变化的中位误差，与模型误差均匀校准的敏感性。同时，我们发现对于加入高斯噪声的 CT 强度，与表征数据噪声的 aleatoric 不确定性表现出更显著的分布变化。总的来说，我们的研究结果表明深度证据学习是一种有前景的方法，可以为放射治疗剂量预测的深度学习模型提供统计稳健性，我们还展示了如何使用这种模型构建预测的剂量体积直方图的置信区间。

Abstract

In this work, we present a novel application of an uncertainty-quantification framework called deep evidential learning in the domain of radiotherapy dose prediction. Using medical images of the Open Knowledge-Ba

uncertainty-quantification deep evidential learning radiotherapy dose prediction epistemic uncertainty aleatoric uncertainty

发现论文，激发创造

证据深度学习：提高地球系统科学应用的预测不确定性估计

可靠和实用的地球系统科学建模领域中，证据深度学习是一种有前途的方法，它能够准确量化预测不确定性，包括预测方差和模型不确定性，还可以通过敏感性分析来解释模型的预测结果。

Sep, 2023

证据深度学习方法是否能真实地表示认知不确定性？

可信的机器学习系统不仅应返回准确的预测结果，还应提供可靠的不确定性表示。贝叶斯方法通常用于量化生成论和认知性不确定性，但近年来，备选方法，如证据深度学习方法，已变得流行。这篇论文提出了证据深度学习的新理论洞见，强调了优化二阶损失函数和解释由此得出的认知性不确定度度量的困难。通过一个系统的实验设置，涵盖了分类，回归和计数的多种方法，对二阶损失最小化中的确认性和收敛性问题，以及认知不确定性度量的相对（而不是绝对）性质提供了新的见解。

Feb, 2024

基于一种狄利克雷分布混合的改进证据深度学习

该论文通过混合狄利克雷分布的变分推断来建模一致的目标分布，并通过学习得到的元分布模型提取目标模型中的学到的不确定性。实验证明我们提出的方法在各种基于不确定性的后续任务中具有优越性，并展示了学到的认知不确定性的一致性和不一致性带来的实际影响。

Feb, 2024

证据深度学习中的不确定性知识

本文揭示了 Evidential Deep Learning（EDL）中由不确定性值产生的证据信号的存在，并通过理论和实证研究证明了 EDL 的不确定性与误分类偏差之间的关联，从而揭示出 EDL 对 loss functions 的耦合情况。

Oct, 2023

深层证据学习用于贝叶斯分位数回归

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

利用证据理论的深度学习进行分类不确定性量化

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

基于证据融合的半监督医学图像分割的不确定性感知学习

通过在混合和原始样本的跨区域整合证据预测结果，重分配每个体素的置信度和不确定度度量，结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明，我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。

Apr, 2024

评估可扩展的贝叶斯深度学习方法在稳健计算机视觉中的应用

该论文提出了一种深度学习可扩展的确定性和不确定性评估框架，并对两种最先进的可扩展方法进行了比较，即集成和 MC-dropout，结果表明集成方法提供更可靠和实用的不确定性估计。

Jun, 2019

深度证据回归

本文提出了一种新方法，通过在原始高斯似然函数上放置证据先验，训练神经网络 (NNs) 以估计连续目标及其相关证据，以学习 aleatoric 和 epistemic 不确定性。在多个基准测试中，本方法展示了学习良好校准的不确定度测量，可扩展到复杂的计算机视觉任务，并对对抗性和 OOD 测试样本具有鲁棒性。

Oct, 2019

苏格拉底的怀疑回声：在校准的证据强化学习中拥抱不确定性

我们提出了一种新颖的统计方法，用于在无模型分布式强化学习中纳入不确定性感知，它涉及基于分位回归的深度 Q 网络。该算法称为 CEQR-DQN（Calibrated Evidential Quantile Regression in Deep Q Networks），旨在解决在随机环境中分别估计偶然性和认识性不确定性所面临的关键挑战。它将深度证据学习与基于符合推理原则的分位校准相结合，提供明确的、无需样本的全局不确定性计算，而不是基于简单差异的局部估计，从而克服了传统方法在计算和统计效率以及处理超出分布范围观察的局限性。用于一套小型 Atari 游戏（即 MinAtar）的测试中，CEQR-DQN 在得分和学习速度方面超越了类似的现有框架。它对严格评估不确定性的能力改进了探索策略，并可作为其他需要不确定性感知的算法的蓝图。

Feb, 2024