基于误差驱动的不确定性感知训练
通过引入输入相关的不确定度来学习输入不确定的实例的更大方差, 我们使用变分推断学习了不确定性感知注意力机制, 并在不同的高风险预测任务中验证了其有效性。进一步的评估表明,我们的模型生成符合临床医生解释的注意力,并通过学习方差提供更丰富的解释。
May, 2018
将机器学习、约束优化、端到端学习、不确定性和对抗训练作为关键词,该论文提出了一种统一框架来解决不确定性模型,并通过端到端对抗训练进行了实践求解,最后通过实际的电力系统运行问题的评估,包括负荷预测和顺序调度任务。
Dec, 2023
在临床决策支持环境中,为了开发更加可靠的人工智能(AI)模型,量化预测的不确定性被视为一种方法,使模型超越传统的性能指标报告。本研究评估了三种新颖的不确定性感知训练策略,并与两种先进方法进行比较,分析了在心脏再同步治疗反应预测和冠状动脉疾病诊断等临床应用中的性能。在考虑了多个校准测量指标后,得出了需要在医疗保健的复杂高风险应用中进行仔细考虑性能指标的结论。
Aug, 2023
本文介绍了一种能够动态调整训练数据使用的方法 MultiUAT,用于多语料机器翻译,通过信任的干净数据确定模型的不确定性,实现数据平衡,经过实验证明,MultiUAT 在多语言和多领域环境下都比现有方法表现更好。
Sep, 2021
AutoDEUQ 使用深度神经网络和超参数搜索自动生成神经网络集合,并使用方差法将预测方差分解为数据方差和模型方差,这种方法在许多回归基准测试中优于几种现有的不确定性量化方法。
Oct, 2021
本文研究了基于深度神经网络的不确定性估计算法的鲁棒性,并提出了一种敌对攻击方法,证明了这些算法对于出域数据的不确定性估计容易受到攻击。在各种基准图像数据集上进行的大量实验结果表明,最先进方法所估计的不确定性很容易被我们的攻击所破坏。
Oct, 2022
本文提出了一种基于不确定性的边缘检测器,通过学习注释之间的不确定性,使用自适应加权损失将高不确定像素的学习重点放在边缘检测上,具有在多个边缘检测基准中稳定的优越性能。
Mar, 2023
研究了使用贝叶斯神经网络中的可学习不确定性来训练预测过程监控模型,以预测剩余时间和结果,并得出结论认为这种不确定性估计可以区分更精确和不太精确的预测,从而提高了用户对于这种预测系统的信心,在合作和以较小的数据集进行更早的实施方面具有潜在的可应用性。
Jun, 2022
该研究提出了 “不确定性感知的专家混合”(uMoE)方法,该方法通过将不确定性直接集成到训练过程中来解决基于神经网络的预测模型中的 aleatoric 不确定性问题。结果表明,uMoE 在处理数据不确定性方面显著优于基线方法,并展示了其适应不同不确定性水平并提供最佳阈值参数的能力。该创新方法可在包括生物医学信号处理、自动驾驶和生产质量控制在内的各种数据驱动领域广泛应用。
Dec, 2023
提出了可解释和可操作的贝叶斯深度学习方法,不仅能够执行准确的不确定性量化,而且还能解释不确定性,识别其源,并提出减少不确定性影响的策略。
Apr, 2023