epistemic uncertainty | BriefGPT

关键词epistemic uncertainty

搜索结果 - 93

基于不确定性量化的生成模型与判别模型对比
通过对生成法和判别法进行比较分析，研究聚焦于从各种来源获取信息的不确定性感知推断，以及对半监督学习的兼容性，推导出一般的采样方案，从后验预测分布中获得监督学习和半监督学习。
PDF21 days ago
自然语言生成中的主观不确定性量化和校准
利用贝叶斯决策理论的视角，本研究通过假设我们的效用是通过比较生成的回答和理论上的真实回答的相似度来衡量，从而解决了大语言模型生成自由形式回答时的不确定性量化问题。我们进一步从缺失数据的角度推导出一种表征为过量风险的认知不确定性衡量方法。所提
PDFa month ago
基于能量的图神经网络的认知不确定性
在具有相互依赖数据的领域中，如图形数据，量化图神经网络 (GNN) 的认知不确定性是具有挑战性的，因为不确定性可以在不同的结构尺度上产生。我们提出了 GEBM，一种能量模型（EBM），通过聚合来自图扩散引起的不同结构级别上的能量，提供高质量
PDFa month ago
图上线性合并法对不确定性量化
图结构数据中对不确定性进行量化，特别是对（半监督）节点分类中的预测不确定性进行量化的问题已被解决。我们提出了一种新的方法，通过利用图拓扑提供的结构信息，用狄利克雷分布的混合物表示（认识论）不确定性，并引用线性观点汇聚的已建立原理，在邻居节点
PDFa month ago
揭示大型生成网络的光芒：扩散模型中估计认识不确定性
Diffusion Ensembles for Capturing Uncertainty (DECU) is an innovative framework designed to estimate epistemic uncertain
PDFa month ago
相信还是不相信你的 LLM
我们在大型语言模型中探索不确定性量化，旨在确定查询结果的不确定性何时较大。我们同时考虑认识论不确定性和偶然性不确定性，从中推论出一种信息论度量，可可靠地检测只有认识论不确定性较大的情况，从模型的输出中可以仅通过一些特殊的迭代提示来计算。这种
PDFa month ago
VOICE：用于量化神经网络解释不确定性的诱导式对比解释的方差
该论文可视化和量化基于梯度的神经网络后续可视化解释的预测不确定性，指出不确定性降低了解释的可信度，提出了一种插件方法以可视化和量化任何基于梯度的解释技术剩余的预测不确定性，并通过两个数据集、四种解释技术和六种神经网络架构对提出的观察进行了支
PDFa month ago
RACER：基于认知风险敏感的强化学习在少发生事故的情况下实现快速驾驶
通过将风险敏感控制与自适应动作空间课程相结合，我们提出了一种强化学习框架，能够既学习高性能的策略，又避免过多的失败，在真实世界的越野驾驶任务中具有较少的安全违例，并在具有相似挑战的驾驶和非驾驶仿真环境中导致更高性能的策略。
PDF2 months ago
深度证据学习的剂量预测
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，
PDF2 months ago
使用可能性理论的立体匹配中的鲁棒置信区间
我们提出了一种方法，用于在立体匹配问题中估计视差置信区间。置信区间提供了与常规置信度量互补的信息。据我们所知，这是第一种基于代价体积创建视差置信区间的方法。该方法依赖于可能性分布来解释代价体积的认知不确定性。我们的方法具有白盒特性，在这方面
PDF3 months ago
跨受试者运动想象分类的不确定性量化
不确定性量化旨在确定机器学习模型的预测何时可能错误。计算机视觉研究探索了确定认知不确定性（也称为模型不确定性）的方法，这应该和泛化误差相对应。这些方法在理论上允许根据个体间可变性来预测错误分类。我们应用了各种不确定性量化方法来预测运动想象脑
PDF4 months ago
ACLSPUQ：面向大型语言模型的扰动式不确定性量化
最近几年，大型语言模型（LLMs）已经变得越来越普遍，提供了卓越的文本生成能力。然而，一个迫切的挑战是它们倾向于做出自信的错误预测，突显出在 LLMs 中的不确定性量化（UQ）的重要性。尽管以往的研究主要集中在解决 aleatoric 不确
PDF4 months ago
统计学习理论下的实用性泛化与认识不确定性
研究论文旨在探讨统计学习理论中的中心概念，如实现性和泛化性，如何在训练和测试分布来自同一可信集合（即概率分布的凸集）的假设下推广，这可视为在不确定性认知下的统计学习更一般处理的第一步。
PDF4 months ago
研究模型不稳定性对解释和不确定性的影响
通过人为引入噪音来模拟文本输入的认知不确定性，在大规模实证研究中，我们插入不同级别的噪音扰动，并测量其对预训练语言模型输出和不同不确定性度量的影响。实际扰动对性能和解释几乎没有影响，而掩饰却有极大影响。我们发现在训练过程中暴露噪声时，高不确
PDF4 months ago
基于风险分解的严格适当评分规则的预测不确定性量化
区分预测不确定性的来源对于在各个领域中应用预测模型至关重要。本研究提出了一个基于统计推理的通用框架，不仅可以创建新的不确定性度量，还可以澄清它们之间的关系。我们的方法利用统计风险区分了随机不确定性和认知不确定性，并利用适当的得分规则进行量化
PDF5 months ago
不确定性、校准和成员推断攻击：信息论视角
模拟结果表明，会员推理攻击的效果可以很好地通过得出的分析边界进行预测。
PDF5 months ago
大语言模型中上下文学习的不确定性分解和量化
我们的研究探讨了与上下文学习相关的大型语言模型的预测不确定性，强调这种不确定性可能来自提供的示范（先验不确定性）和模型配置的歧义（后验不确定性），提出了一种新的公式和相应的估计方法来量化两种类型的不确定性，以插入和使用的方式无监督地理解上下
PDF5 months ago
专家不作弊：通过预测对来学习未知知识
通过训练模型来预测真实条件分布，并估计模型与真实条件分布之间的差异，并通过欺骗策略和二阶校准检测错误响应，准确估计模型对模糊图像分类、语言建模和部分可观测导航任务中的不确定性。
PDF5 months ago
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。
PDF5 months ago
超扩散：利用单一模型估计认知和随机不确定性
通过训练和样本采集大量扩散模型的集合来准确估计表观不确定性（可以通过更多的训练数据来减少的不确定性）和内在不确定性（与手头任务相关的不确定性）在将机器学习（ML）应用于医学影像和天气预报等高风险应用的过程中至关重要。而在模型架构复杂性增加时
PDF5 months ago