- ICML利用本体感知数据提升具有不确定性的空间探索机器人的地形分类
在空间探索中,地形分类是一项重要任务,其中无法预测的环境难以仅依靠外部感知传感器(如视觉)进行观测。通过引入神经网络分类器,可以实现高性能,但由于缺乏透明性,这使得它们在任务规划中做出重要决策时不可靠。本文提出了一种带有不确定性量化的神经网 - 通过多任务视频分析实现帕金森病在家无障碍检测
通过分析网络摄像头录制的手指敲击、面部表情(微笑)和语音(说出包含所有字母的句子)的特征,我们训练了一种新颖的基于神经网络的融合架构来检测帕金森病,该模型还使用了蒙特卡洛随机失活来提高预测准确性。这种低成本、便捷的帕金森病筛查方法只需一个带 - 通过对比学习和不确定性估计增强 Sentinel 2 影像的主动学习
介绍了一种新颖方法,通过将半监督学习与主动学习策略相结合,提高了卫星图像分析的标签效率;采用对比学习和蒙特卡洛失活来估计不确定性,在 Sentinel-2 卫星图像上使用 Eurosat 数据集进行了分析,结果显示在不平衡类别情况下,该方法 - 水下检测中基于不确定性的主动学习图像分割
使用主动学习方法在水下基础设施检测任务中进行图像分割,并使用互信息和蒙特卡洛 dropout 计算获得采集函数,结果显示采用主动学习方法可以显著降低水下检测任务中分割模型的成本。
- 基于深度学习方法获取的电子 - 碳散射数据的实证适应
利用神经网络框架,我们基于两种不同的方法得到了模型无关参数化和相应的不确定性,并将其与实验测量和理论预测进行了比较。结果显示,与基于辍学算法的方法相比,第一种统计方法具有更好的插值和外推能力。
- 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 - 神经网络的单次贝叶斯逼近
我们提出了一种快速的基于矩阵传播的近似方法,将神经网络转换成贝叶斯神经网络,实现对预测分布的点估计和不确定性估计,并通过与深度集成技术相结合进一步提高不确定性测量的性能。
- 基于加密的蒙特卡罗预测的鲁棒不确定性量化
用深度学习模型进行安全关键应用的部署仍然是一项非常具有挑战性的任务。我们介绍了一种新的混合不确定性量化方法,将自适应的蒙特卡罗(MC)dropout 方法与符合预测(CP)相结合,提供可靠的预测集 / 区间,从而大大改进了现有的不确定性量化 - 用于海事物体分类的稳健不确定性估计
通过将 Monte Carlo Dropout 方法中获得的类内不确定性与离群值检测领域的最新发现相结合,我们探索了不确定性估计在航海领域的应用,证明了其在 CIFAR10 数据集上的功效,并在 SHIPS 数据集上验证了它在实际情况下的有 - 通过标签误差检测和覆盖,改进基于观点的问题回答系统
本文提出了一个模型无关且计算高效的标签错误检测和覆盖框架 ——LEDO,基于 Monte Carlo Dropout 结合不确定性测度,并针对工业问题回答系统进行了应用,它能显著提高模型的准确性并降低成本。
- 不确定性感知的非似然学习改进生成式情感四元组预测
本文旨在提出一种控制生成令牌级别的模板不可知方法,即引入蒙特卡罗丢失、边缘非可能性学习和最小化熵等方法,以提高原始学习效果和减少错误。实验表明,该方法在各种生成模板上均具有良好的效果。
- 深度学习全景分割中的不确定性估计
探讨如何将集成学习不确定性估计方法应用于全景分割领域,以提高现有网络的性能并为其预测结果提供更好的不确定性度量。
- 基于贝叶斯深度学习的图像感知分割
提出了一种基于深度贝叶斯网络的探测物体可提供的作用及分布的算法,使用 Monte Carlo Dropout 优化了模型的准确度并在 Mask-RCNN 结构上做了修改,利用新的概率模型检测出语义和空间上的不同,并通过比较二进制掩码而非预测 - 低资源神经序列标注的不确定性自我训练
本文提出了 SeqUST, 一种新颖的不确定性感知自我训练框架,以解决标记数据稀缺性问题并有效利用未标记数据来改善神经序列标注的性能,并在六个基准测试中展现出在低资源场景中超越强基线模型的能力。
- CVPR随机集成的贝叶斯后验近似
本文介绍了一种基于 Monte Carlo dropout、DropConnect 和一种新的非参数 dropout 的随机神经网络集成方法,通过变分推断将随机集合形式化为分布族,并训练以近似贝叶斯后验,我们在玩具问题和 CIFAR 图像分 - 使用 Monte Carlo Dropout 的卫星异常检测方法
本研究提出了一种基于仿真蒙特卡罗 dropout 方法的 BNN 时间序列预测和不确定性估计方法,用于卫星遥测异常检测,实现了更准确和可靠的检测。
- 文本分类中的 Softmax 不确定性逼近再探讨
本文深入分析了 Monte Carlo Dropout 方法和 softmax 方法的应用,发现虽然前者可以提供更好的不确定性估计,但后者可以在更低的计算成本下提供竞争力的不确定性估计,并且适合不具备大量计算资源的模型。
- GFlowOut: 基于生成性流网络的 Dropout
本研究旨在提出一种名为 GFlowOut 的方法,利用生成性流网络(GFlowNets)的概率框架来学习丢弃掩码的后验分布,并解决用传统变分推断方法来估算高度多模式后验分布及利用样本相关信息的困难,最终实验证明 GFlowOut 的预测分布 - 可视化贝叶斯神经网络所学表示的多样性
本文研究了可解释人工智能(XAI)方法在探索和可视化贝叶斯神经网络(BNNs)学习到的各种特征表示方面的应用,通过特征可视化及对比度学习的距离度量,提供 BNNs 决策策略的可见性、可量化性和全面性,结果显示 Monte Carlo dro - DeepSleepNet-Lite: 一种带有不确定性评估的简化自动睡眠分期评分模型
本研究提出 DeepSleepNet-Lite,一种简化和轻量级的睡眠评分体系结构,仅处理 90 秒的 EEG 输入序列,并首次使用 Monte Carlo Dropout 技术来提高算法的性能并检测不确定性,以实现实时睡眠分析。评估表明,