利用不确定性量化改进标签错误检测与消除
本研究提出了一种基于标签质量而非模型预测的学习方法 ——Confident Learning(CL),通过对数据进行剪枝、使用概率阈值计数来估算噪声,并对样本进行排序,以提高其置信度。我们基于假设类条件噪声过程直接估算了噪声标签和无污染标签之间的联合分布,提出了一种广义 CL,它是可证明一致和实验表现优异的。我们在不同类型数据上运用 CL,包括 MNIST 数据集、Amazon 评论库、以及 ImageNet 数据集的一些子集,结果表明 CL 可以清除不同类型数据中的噪声,提高模型准确性。
Oct, 2019
本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明,我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。
Aug, 2020
本研究比较了多种机器学习技术的 UQ 准确性,并对两个模型(船只在波浪中的运动和 Majda-McLaughlin-Tabak 模型)进行了应用。
Jun, 2023
提出了一种基于贝叶斯元模型的方法,该方法用于增强预训练模型的不确定性量化能力,以实现不同应用场景下的预测性能,例如图像分类中的领域外数据检测、错分检测和可信迁移学习,无需额外的训练数据,从而在多个代表性图像分类基准测试上展示了更好的表现。
Dec, 2022
本文探讨了基于机器学习的入侵检测系统在准确度不确定性方面的挑战和应用,强调了准确度不确定性对提高 ML-IDS 的可信度的重要性,并通过对网络入侵检测领域的不同 ML 方法进行比较和验证,表明准确度不确定性的适当估计可以显著增强 ML-IDS 的可信度。此外,结果还确认传统基于前馈神经网络的 ML 方法可能不适合在网络入侵检测中使用。
Sep, 2023
使用不确定性量化技术对预训练视觉模型进行预测不确定性估计,以提取有价值的预测并忽略不自信的预测,从而避免最多 80% 的被错误分类的样本。
Mar, 2024
本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法,可以更精确地预测,提高分类器的预测准确性,尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。
Jul, 2019
本篇研究论文重点介绍了机器学习模型中的不确定性量化方法,特别关注神经网络以及在工程设计和医疗领域的应用。通过介绍多种不确定性量化方法和计量标准,本篇论文旨在帮助提高机器学习模型的安全性和可靠性,同时提供两个具体案例:锂离子电池寿命预测和涡轮发动机剩余使用寿命预测。
May, 2023
本文研究比较了在一个物理系统的背景下,深度学习算法的不确定性量化方法,包括贝叶斯神经网络,Concrete Dropout 和 Deep Ensembles,并探讨了它们的优缺点,结果为使用和解释不确定性量化方法提出了一些建议。
Apr, 2020