- 基于符合预测的深度分类器的证据不确定性集合
利用证据一致性预测方法(ECP)为图像分类器生成一致性预测集,通过基于非一致性评分函数,利用目标标签的对数几率值推导出的证据计算非一致性评分函数的组成部分:一致性预测中的不确定性启发式概念、不确定性惊喜度和期望效用,实验评估结果证明,ECP - DuEDL:双分支证据深度学习在手绘辅助医学图像分割中的应用
通过提出双分支证据深度学习(DuEDL)框架,该研究旨在改善使用线条标注进行医学图像分割时准确性与可靠性之间的权衡问题,并证明该方法在提高模型的可靠性和泛化能力方面表现优于现有方法。
- 基于证据融合的半监督医学图像分割的不确定性感知学习
通过在混合和原始样本的跨区域整合证据预测结果,重分配每个体素的置信度和不确定度度量,结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明,我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现 - 通过不确定性提升可解释的自动驾驶车辆对象感知模型
基于 “物体引导” 模型方法和 Beta 先验的证据深度学习范式,该研究提出了一种解释自动驾驶车辆决策的方法,通过集成不确定性评估来克服复杂驾驶场景中可靠性方面的挑战,并在基于 BDD-OIA 数据集的实验中证明该模型在各种情景下优于现有基 - 处理情绪中的模糊性:从领域外检测到分布估计
通过运用证据深度学习的方法,本文研究了处理模糊情感的三种方法。我们发现将没有多数一致标签的话语作为分类器的额外类别会降低其他情感类别的分类性能。然后,我们提出通过量化情感分类的不确定性来检测具有模糊情感的话语,将其视为域外样本。这种方法可以 - 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。
- 可信皮肤病变分类的合规预测的实证验证
通过进行全面的实验和比较性能分析,我们研究了皮肤病变分类任务中三种不确定性量化方法:Conformal Prediction、Monte Carlo Dropout 和 Evidential Deep Learning,发现 Conform - 多源主动域转移中的领域偏移和样本不确定性重新审视
提出了一种动态集成不确定性估值框架(Detective),通过学习适应多源域的模型参数来兼容多源域的联合,综合考虑多源域与目标域之间的领域偏移,使用证据深度学习来探测信息量大的目标样本,并引入上下文多样性感知计算器来增强选定样本的多样性。实 - 证据不确定性量化:一个基于方差的视角
基于方差的方法扩展到分类问题中,量化分类的不确定性,实验结果显示这种方法在主动领域适应中与基于熵的方法的准确性相似,并提供了关于类别间不确定性和相关性的信息。
- 证据深度学习中的不确定性知识
本文揭示了 Evidential Deep Learning(EDL)中由不确定性值产生的证据信号的存在,并通过理论和实证研究证明了 EDL 的不确定性与误分类偏差之间的关联,从而揭示出 EDL 对 loss functions 的耦合情况 - EdVAE:使用证据离散变分自动编码器缓解码书塌陷
提出了一种名为 EdVAE 的模型,通过使用证据深度学习(EDL)来解决 dVAE 的代码书坍塌问题,同时提高重建性能和代码书使用率。
- 证据深度学习:提高地球系统科学应用的预测不确定性估计
可靠和实用的地球系统科学建模领域中,证据深度学习是一种有前途的方法,它能够准确量化预测不确定性,包括预测方差和模型不确定性,还可以通过敏感性分析来解释模型的预测结果。
- ICCV持续证据深度学习用于外部分布检测
该研究论文提出了一种将证据深度学习方法与持续学习框架相结合的方法,能够同时进行增量对象分类和越界检测,在 CIFAR-100 数据集上的实验结果显示,该方法在对象分类和越界检测方面表现出色。
- ICML学习累积所有训练样本的证据:理论与实践
该研究通过提出一种新颖的规则化方法,解决了 evidential models 训练和推理中产生的根本性困难,从而提高了预测性能。
- ACLE-NER: 基于证据的深度学习在可信命名实体识别中的应用
介绍了 Evidential deep learning 在 named entity recognition (NER) 中实现 predictive uncertainty 的困难之处,并提出了一种可信 named entity rec - 自适应负证据深度学习在开放集半监督学习中的应用
本文提出了一种新型框架,Adaptive Negative Evidential Deep Learning(ANEDL),它通过引入证据深度学习(EDL)作为异常检测器,利用不同的不确定性度量,设计自我训练和推理,以及新的自适应负优化策略 - 利用空中和地面双视图图像的证据融合进行可信遥感场景分类
本研究使用证据深度学习模型对多角度遥感数据进行了分类,该模型可有效地计算每个角度数据的可信度,并据此进行决策级融合,从而提高分类结果的准确性。实验结果表明,该方法在公开数据集上取得了最佳效果。
- TEDL: 一种用于分类不确定性量化的双阶段证据深度学习方法
本文提出 TEDL Two-stage Learning 方法,基于 Dempster-Shafer 理论,用来量化深度学习模型在分类任务中的不确定性,通过实验表明,TEDL 与交叉熵相结合、替换 ReLU 为 ELU 可以提高稳定性和 A - ECCV开放集合视频异常检测
本文提出了一种将证据深度学习和归一化流融合到多示例学习框架中的弱监督方法,用于 Open Set Video Anomaly Detection(OpenVAD)问题,并成功地应用于识别已知和新型异常事件。
- 基于证据理论的时态感知图论社交事件检测
提出了一种 ETGNN 方法以在社交媒体上检测社交事件,该方法基于图神经网络,具有时态感知和确定性理论,通过创新的临时感知集成器和证据深度神经网络对不同视图进行处理,最终实现了准确,可靠和鲁棒的社交事件检测。