预测不确定性和多样性在体验智能和机器人学习中的作用
本文对神经网络不确定性估计进行了全面的概述和介绍,包括模型不确定性和数据不确定性,并介绍了通过确定性神经网络、贝叶斯神经网络、神经网络集合和测试时间数据增强方法来建模这些不确定性的方法。此外,还讨论了不确定性方面的实际应用中存在的挑战和限制,以及未来工作的展望。
Jul, 2021
该研究综述了机器学习中不确定性的来源、分类和度量方法,并讨论了不确定性对决策过程的影响。重点关注深度学习领域,提供了广泛范围的不确定性讨论和深度学习中的不确定性量化方法的最新综述。
Jun, 2024
本研究针对神经网络预测的不确定性准确度进行研究,提出了针对不同使用场景下的新度量标准,探讨了模型复杂度与不确定度准确度之间的权衡关系,并通过实验验证了新度量标准的有效性和一些有趣的趋势。
Mar, 2019
机器学习模型中的不确定性是一个关键特征,尤其在神经网络中更为重要,因其倾向于过于自信。本研究提出了一个通用的不确定性框架,将不确定性估计定位为可解释的人工智能技术,并引入分类与拒绝机制以减少错误分类,同时应用于教育数据挖掘中的神经网络案例研究,提高模型在操作研究中决策任务中的可信度与行动性。
Mar, 2024
本文研究了自主车辆在安全关键任务中使用神经网络时,面临的不可避免的误差问题,并给出了一些用于评估这种不确定性的方法和指标,比较了各种不确定性量化方法在特定 AV 任务和类型的优劣。
Jun, 2020
利用不同方法高效估计深度神经网络的预测不确定性和敏感性,并将其互动比较和对比,以应对可靠的不确定性感知模型在深度图像合成任务中产生信息丰富且质量多样的插图,进一步提高深度可视化模型的稳健性和可解释性,使其在以视觉分析为基础的各个科学领域得以实际应用和方便使用。
May, 2024
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
提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计,这个方法具有与神经网络结构和任务无关,不需要优化进程的更改,能够应用于已经训练好的结构,有效地提高了准确性。
Jul, 2019
本文旨在研究如何衡量深度神经网络中不同的不确定性因素,进一步探究利用这些因素更有效地解决不同决策问题的方法。其中,作者提出了一个一般学习框架来定量不同根本原因导致的多种不确定性,并发现在对于深度神经网络的分类及早期时间点的事件检测中,对于实现最佳效果的不确定性因素分别为矛盾和真空。此外,本文还提出了一个改进 SSL 算法的框架,以抵御 OOD 对象的重要影响。
Apr, 2023
本文阐述了实现基于不确定性意识的人工智能和机器学习系统在决策支持中的必要性及其面临的挑战,并介绍了当前令人看好的研究方向。通过理论模拟,展示了两种新兴的不确定性意识机器学习和人工智能技术的集成对路径规划操作的价值。
Sep, 2018