适应性的分布变迁下的轨迹预测不确定性量化
通过提出基于误差对齐的不确定性优化方法和引入可训练的损失函数来估算深度神经网络的不确定性,以取得与模型误差相关性强的不确定性预测。该方法适用于连续结构化预测和回归任务,并在包括大规模车辆运动预测任务的多个数据集上进行评估,通过 Pearson 相关系数表明我们的方法提高了平均位移误差和不确定性与模型误差之间的相关性。
Dec, 2022
本文调查了最近的深度学习方面的不确定性量化的研究,特别关注了具有数学特性和广泛适用性的无分布符合预测方法,介绍了相关技术和在时空数据背景下提高校准和效率的方法,并讨论了不确定性量化在安全决策方面的作用。
Sep, 2022
安全部署图神经网络 (GNNs) 在分布偏移下需要模型提供准确的置信指标 (CI)。然而,尽管众所周知在计算机视觉领域 CI 质量随着分布偏移而降低,但 GNN 领域对此行为的研究仍然不足。因此,我们从在受控的结构和特征分布偏移下进行的 CI 校准案例研究开始,并证明了增强表达能力或模型规模并不总是导致 CI 性能的提高。因此,我们主张使用认识不确定性量化 (UQ) 方法来调节 CI。为此,我们提出了 G-$\Delta$UQ,这是一种新的单模型 UQ 方法,它将最近提出的随机居中框架扩展到支持结构化数据和部分随机性。在协变量、概念和图大小转移方面进行评估,G-$\Delta$UQ 不仅在获取校准 CI 方面优于几种受欢迎的 UQ 方法,而且在使用 CI 进行广义泛化预测或 OOD 检测时也优于其他方法。总的来说,我们的工作不仅引入了一种新的灵活的 GNN UQ 方法,还对安全关键任务中的 GNN CI 提供了新的见解。
Sep, 2023
深度学习模型对交通预测的强大预测性能使其得到广泛应用,但缺乏可解释性限制了其在实际智能交通系统中的部署。通过使用不确定性量化方法,我们调查了这些方法在跨多个城市和时间段的大规模基于图像的交通数据集上的应用,以获得对现有不确定性方法在交通预测中的实用性以及不确定性与城市交通动态之间的关系的全面认识。在在时间和时空转移任务上比较了两种认知不确定性方法和两种他稳不确定性方法后,我们发现可以恢复有意义的不确定性估计。此外,我们进一步演示了如何利用不确定性估计来检测城市交通动态变化中的无监督异常点。通过对莫斯科市的代表性案例研究,我们发现我们的方法能够捕捉到交通行为的时间和空间效应。我们的工作是在交通预测任务中推动不确定性意识的进一步发展,并旨在突出不确定性量化方法对于更好理解城市交通动态的价值贡献。
Aug, 2023
提出了一种基于协作不确定性的框架来预测未来轨迹和相应的不确定性,该框架被整合为插件模块到了现有的最先进系统,并在两个数据集上进行了实验,结果表明,该框架有助于提高预测性能。
Oct, 2021
本文提出了一种自适应的线上学习方法 - 自适应符合推断方法,该方法结合了预测集和符合推断的思想,能够在任何黑箱模型中实现长时间内预期的覆盖概率,从而解决了数据变化扰动的问题。
Jun, 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
运算符学习在科学和工程应用领域中得到了越来越广泛的应用,其中许多需要经过校准的不确定性量化。本文提出了一种风险控制分位数神经运算符,即无分布、有限样本的函数校准型预测方法,通过实验证实了我们的理论结果,显示了校准的覆盖率和高效的不确定性范围,优于基准方法。
Feb, 2024
本文介绍了一种基于多传感器的变分神经网络方法,用于预测驾驶员车辆的未来轨迹分布。该方法能够处理不确定的情况,并且可以与物理学预测器相结合,提高整个系统的性能。经实验证明,我们的方法可将物理学模型的预测误差提高 25%,同时以 82%的准确度成功识别不确定情况。
Jan, 2019
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