- 利用计算机视觉方法识别和测量法国地中海地区的海洋养殖产量
自 20 世纪 90 年代以来,水产养殖生产迅速增长,但稀缺的、自我报告的和汇总的生产数据限制了对该行业趋势和潜在风险的有效理解和监测。本研究基于水产养殖生产的手动调查,利用计算机视觉模型从航空和卫星图像中识别海洋养殖笼,生成了法国地中海 - 全局完善:大型语言模型上的标记级校准度量
深度神经网络和大型语言模型在提供准确的不确定性估计方面面临挑战,因此提出一种新的校准概念 —— 完全校准,并引入其相应的度量指标 Full-ECE,用于评估预测概率分布的整体校准性。
- 基于贝叶斯的在线规划
蒙特卡洛树搜索和神经网络的结合彻底改变了在线规划。我们提出了一种贝叶斯规划方法,通过经典元推理文献中的思想,利用神经网络输出的不确定性估计来改善规划。我们在可能行动的树中提出了一种基于汤普森抽样的搜索算法,并证明了有限时间的贝叶斯后悔上界, - 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 - LoRA-Ensemble: 自注意力网络的高效不确定性建模
我们引入了一种基于低秩调整(LoRA)的参数高效深度集成方法,即 LoRA-Ensemble,用于自注意力网络,通过在预训练的自注意力网络中共享权重并训练成员特定的低秩矩阵,我们的方法在校准方面表现出优越性,并在各种预测任务和数据集上实现了 - ICML可微退火重要采样最小化初始分布与目标分布之间的 Jensen-Shannon 散度
DAIS 是一种可微分的持续退火重要性采样方法,它通过最小化初始和目标分布之间的对称 KL 散度来进行变分推断。通过实证评估其在合成和真实数据上作为变分分布的有用性,发现与标准 VI、重要性加权 VI 和马尔科夫分数爬升相比,它常常能提供更 - 使用证据理论准确训练自动驾驶中的占用地图预测数据
自动驾驶需要关于周围场景几何形状的知识,现代方法利用图像预测代表几何形状的占据地图,而我们提出了一种新的基于证据理论的方法,能够更准确地进行重建,并给出有意义的不确定性估计。
- 蛋白质性质的不确定性预测
在蛋白质领域,可靠的变异影响预测取得了显著进展,通过提供具备不确定性估计的高斯过程回归模型 Kermut,能够在蛋白质属性预测中获得最先进的性能,并展示了对预测的可靠性定量估计的质量评估结果。
- 探索半监督学习的概率模型
该论文研究了先进的概率模型,包括它们的理论基础和实际应用,用于不同的半监督学习任务,提出的概率方法能够快速提供可靠的不确定性估计,从而提高 AI 系统在真实应用中的安全性,并能够与确定性方法相比获得有竞争力的性能,实验结果表明,该论文提出的 - 不要相信你所信任:半监督学习中的误校准
本文通过实证研究表明,基于伪标签的半监督学习方法存在显著的误校准问题。为了解决这个问题,本文提出了一个简单的惩罚项,通过保持未标记样本的预测结果的对数距离较小,防止网络预测过于自信。在多个半监督学习图像分类评估中,全面的实验结果表明,所提出 - 从黑箱深度神经网络中提取解释、证明和不确定性
我们提出了一种新颖的贝叶斯方法,用于从深度神经网络中提取解释、证明和不确定性估计,无需重新训练,适用于任何黑盒深度神经网络,并能显著提高解释性和可靠性。
- 掩蔽 Gamma-SSL:通过掩蔽图像建模学习不确定性估计
该研究提出了一种语义分割网络,能够在单次前向传递中生成高质量的不确定性估计。通过基于掩膜图像建模(MIM)方法,我们利用基础模型和无标签数据的通用表示来解决增强超参数问题,使得方法更简洁。为了解决在安全关键应用中因训练数据中的偏差而导致的错 - 异质轨迹的合拟可调预测
本文介绍了一种新的符合方法,用于生成能够以足够高的概率覆盖新的随机轨迹整个路径的同时预测带。在需要可靠的不确定性估计的运动规划应用中,我们结合了在线符合单个和多个时间序列的不同技术,以及解决回归异方差性的思想。这种解决方案既是有原则的,提供 - 用于图神经网络的准确可扩展的认知不确定性估计
我们提出了 G-DeltaUQ,这是一个新的训练框架,旨在改进图神经网络的内在不确定性估计,通过独特的图锚定策略适应图数据,从而在节点和图分类中实现更好的标定准确度。
- 学习归纳态度预测的 PAC-Bayes 泛化证明
在这项工作中,我们使用 PAC-Bayes 理论获得了关于集合值预测器的覆盖率和效率的泛化界限,可以直接优化以最大化效率,同时满足所需的测试覆盖率,并利用这些理论结果提供了一种利用校准数据对模型和评分函数的参数进行微调,并确保所得预测集的测 - 滑坡分割模型的不确定性估计
通过对多种方法评估分割的像素级别的不确定性,本研究发现在数据集中 Test-Time Augmentation 方法的质量始终优于其他方法,从而可以为解决错误、识别困难样本和增加标记训练数据提供低成本的监督。
- 早停神经网络的一致不确定性评估的随时有效置信区间
早期退出神经网络(EENN)采用随时有效的置信序列(AVCSs)以解决不确定性估计中的一致性问题,并在回归和分类任务中进行实证验证。
- 贝叶斯多状态贝内特接受比率方法
引入 BayesMBAR 作为 MBAR 方法的贝叶斯推广,在计算热力学状态的自由能值时,通过将采样自热力学状态的构型与先验分布整合,计算出自由能的后验分布,并通过后验分布得出自由能估计和估计误差。BayesMBAR 能够提供比 MBAR - 隐含流形高斯过程回归
高斯过程回归是一种用于提供准确的不确定性估计和处理小型或稀疏数据集的方法,然而在高维数据上存在困难,本文提出了一种能够在实际数据中直接推断隐含结构的高斯过程回归技术,并讨论了该模型收敛到假设流形上的 Matern 高斯过程的情况,该技术能够 - 高斯过程回归的保证覆盖预测区间
基于一种称为 Conformal Prediction 的机器学习框架的 GPR 扩展,可以在模型完全错误指定的情况下保证产生所需覆盖范围的 PI,实验结果表明其优于现有方法。