- 多模态证据融合网络用于可信 PET/CT 肿瘤分割
在计算机辅助肿瘤诊断和治疗中,精确分割 PET/CT 图像对癌症的诊断和治疗非常重要。本文提出了一种新颖的多模态证据融合网络(MEFN),通过交叉模态特征学习(CFL)模块和多模态可信融合(MTF)模块,以有效整合 PET 和 CT 图像中 - 探究事后剪枝感知卷积神经网络的校准性和对抗鲁棒性:一项图像分类基准研究
当前研究中对图像分类任务进行的后期 CNN 剪枝技术的实证研究揭示了后期剪枝显著提高了模型的不确定性校准、性能和自然损坏鲁棒性,为安全和稳健的嵌入式 CNN 带来了希望。此外,剪枝不排斥不确定性校准和自然损坏鲁棒性,如通过后期非结构化剪枝的 - 互为传输集成的准确可靠预测
通过引入相互传输集成(MTE)方法,本研究提出了一种改进深度神经网络(DNNs)中不确定性校准的方法,可以同时提高准确性和不确定性校准,通过在各个基准测试上的研究表明,与现有最先进方法相比,MTE 方法在 CIFAR-100 数据集上的 R - 可解释的贝叶斯多视角生成检索
现代确定性检索管道通过集中追求最先进的性能,但在决策过程中往往缺乏可解释性。本文将不确定性校准和可解释性引入检索管道,通过引入贝叶斯方法和多角度检索来校准检索管道中的不确定性。我们结合 LIME 和 SHAP 等技术分析黑盒子再排模型的行为 - 在代码分布变动下对大型语言模型的不确定性认知:基准研究
大规模语言模型在编程语言分析中被广泛应用以提高人类生产力。本研究通过引入大规模基准数据集,调查了应用概率方法来处理与代码分布变化相关的问题,结果表明这些方法能够提高 CodeLlama 的不确定性感知能力,并增加校准质量和不确定性估计精度。 - 关于语义三维建图中的自负问题
研究论文主要关注语义三维建图中的融合过度自信问题,提出了几种改进融合流程中不确定性校准的方法,分析了这些方法在 ScanNet 数据集上的比较。论文进一步证明了地图校准对下游任务的重要性,并展示了在模块化 ObjectNav 代理中合理的语 - 研究多选设置下对齐语言模型的不确定性校准
对齐的语言模型在多选题设置下多显示过于自信的输出答案,我们系统评估了对齐过程对语言模型的逻辑回归置信度校准的影响,并提出了易于实施且高效的校准方法。
- EMNLP探索用于多模态离域检测的大型语言模型
应用世界知识通过选择性生成大型语言模型并利用一致性基准不确定性校正方法来提高过分布检测性能,通过从每个图像提取视觉对象充分利用前述世界知识,充分实验证明本方法始终优于现有技术。
- 评估目标检测中的不确定性校准的理论和实践框架
本研究提出了一个理论和实践框架,用于评估不确定性校准的对象检测系统,通过一系列的实验表明了所提出的不确定性校准度量的稳健性。
- 利用局部性和稳健性实现大规模高斯过程回归
本研究提出了一种基于最近邻预测的高斯过程回归算法,相比于现有算法,该算法具有更快的计算速度和更准确的预测结果,并且其对数据集大小和样本误差的鲁棒性更强。
- 分布式相机网络的异方差地理空间跟踪
本研究旨在解决使用分布式摄像头网络进行地理空间物体跟踪的问题,界定物体的地理空间坐标和物体位置的不确定性,提出了一个新颖的单个物体地理空间跟踪数据集,并探讨了不确定性校准和通过可微的跟踪器对模型进行微调对性能的影响。
- 基于预训练模型学习样本难度以实现可靠预测
本文提出了一个方法,即基于样本难度感知熵正则化,利用经过大规模训练的预先训练模型指导下游模型训练,并同时提高了准确性和不确定性校准的可靠预测,克服了现代神经网络的困难,这是一个未被充分探索的领域。
- 深度神经网络中不确定性校准的测试时间增强方法
本文提出一种基于测试时数据扩充的新技术(分别名为 M-ATTA 和 V-ATTA),以提高深度模型的图像分类的不确定性校准,实证结果表明所提出的方法在保持基线分类性能的同时优于现有的校准技术。
- 推荐中反事实倾向估计的不确定性校准
本论文针对推荐系统中存在的缺失数据,提出了一种基于反事实倾向评分的缺失值加权估计方法。通过使用多种代表性不确定性校准技术来对倾向得分估计进行不确定性校准,理论分析和实验结果表明,不确定性校准的 IPS 估计器比未校准的表现更好,从而提高了推 - 基于校准不确定性的 5G 无人机干扰识别准确可靠方法
本文提出了五种深度神经网络输入输出处理方法,增加其应用于 5G UAV 安全数据集的输出准确性和可靠性,并且探讨了不同的评估度量以及其中的权衡,结果表明预处理、后置处理和置信度处理都可以提高 DNN 的可靠性和准确性,而且置信度校准,即通过 - ECCV回归和目标检测的参数化和多元不确定性校准
本文研究目标检测模型的可靠空间不确定性评估,并介绍了常见检测网络的校准属性,并扩展了最新的校准方法。我们使用高斯过程(GP)重新校准方案,通过捕捉相邻样本之间的依赖关系,获得参数分布输出。此外,我们使用 GP 重新校准方案进行协方差估计,实 - KDD深度学习模型不确定性的校准
本文提出了一种基于概率贝叶斯方法的神经网络预测置信度校准方案,最大化置信度期望效用,用最大置信度校准误差度量预测的置信度和错误之间的关系,并在 COVID-19 诊断中测试取得了显著的效果。
- 多智能体动态的概率对称性
本研究针对多智能体动态问题,提出能更好地进行概率预测的 PECCO 深度动态模型,并利用旋转等变性来提高预测精度和不确定性校准。PECCO 可显著改善非等变基准模型的准确性和校准,其应用前景广阔。
- EMNLP校准你的听众!针对语用说话人的鲁棒基于交际的培训
为了在对话中发挥更好的作用,自然语言处理系统需要受到训练以产生上下文有用的话语。我们提出了一种使用神经听者的集团来规范演讲者训练的方法,以减少语义漂移,从而使演讲者能够生成实用的话语,同时达到大量词汇的量化数量和大规模推广的目的。
- ECCV参数化温度缩放以提升 事后不确定性校准的表达能力
本文提出了一种新的参数化温度缩放(Parametrized Temperature Scaling, PTS)方法,以解决深度神经网络预测不确定性校准问题。作者发现,标准的后处理校准器受限于其内在表达能力,为此他们基于神经网络计算预测特定的