- 寻找分叉点的主动搜索
定位动力系统的分歧点对于深入理解观察到的动态行为以及设计高效干预手段至关重要。在复杂、可能存在噪声且采样成本高昂的动力系统中,我们提出了一种主动学习框架,利用贝叶斯优化从少量选择的矢量场观察中发现鞍点或者 Hopf 分歧。在资源有限的系统的 - $α$-SSC:基于摄像头的不确定性感知的 3D 语义场景补全
提出了一种考虑不确定性的基于摄像头的三维语义场景完成方法,同时提出了一种层次化的置信度预测方法,能够增强几何完成和语义分割准确性,提高安全关键类别的占用召回率,实现更小的预测集大小并保持指定的覆盖保证,为自主感知系统的准确性和鲁棒性带来显著 - 计量环境下的可信人工智能
国家物理实验室 (NPL) 在可信人工智能 (TAI) 领域进行的研究回顾,特别是在计量学,即测量科学的背景下,关于可信机器学习 (TML)。我们描绘了 TAI 的三个广泛主题:技术、社会技术和社会,这些主题在确保开发的模型可信且可以依赖于 - 灵活异方差计数回归与深度双泊松网络
神经网络可以准确地产生需要的、与输入相关的不确定性表示,这对现实世界的应用至关重要。最近在异方差连续回归方面取得的进展显示了在复杂任务(如图像回归)上进行校准的不确定性量化的巨大潜力。然而,当将这些方法应用于离散回归任务(如人群计数、评级预 - 普适微分方程中不确定性量化评估
科学机器学习是一类新的方法,它将物理知识和机械模型与数据驱动技术相结合,以揭示复杂过程的控制方程。本文提供了不确定性量化 (UQ) 的 UDE 的形式化,并研究了重要的频率派和贝叶斯方法。通过分析三个不同复杂度的合成示例,本文评估了集成、变 - 合拢式远程操作:自信地将人类输入映射为高维机器人动作
通过统计学方法和数据驱动的模型,我们提出了一种辅助机器人操作的方法,可以准确地估计用户意图,并主动寻求干预。
- CVPR基于不确定性驱动的主动建图的神经可见度场
本文提出神经显性场(NVF),这是一种用于应用于主动映射的神经辐射场(NeRF)的新型不确定性量化方法。通过使用贝叶斯网络将基于位置的场不确定性组合到基于光线的相机观测不确定性中,NVF 自然地将更高的不确定性分配给未观察到的区域,帮助机器 - ICML超越规范:检测回归模型中的预测误差
该研究论文讨论了检测回归算法中的不可靠行为的挑战,首先正式介绍了回归中的不可靠性概念,然后利用概率建模工具估计误差密度并测量其统计差异性,从而得出表达回归结果不确定性的数据驱动评分。实验证明在多个回归任务中,该方法在错误检测方面的性能显著优 - 增强标签排序校准的适用于每类覆盖的合拢预测
针对不平衡分类任务的一种新的不确定性量化框架,Rank Calibrated Class-conditional CP (RC3P) 算法,通过降低预测集大小以实现类条件覆盖,对于每个类别都具有有效的覆盖保证。
- 一种局部平方 Wasserstein-2 方法用于具有不确定性的模型高效重建
本文提出了一种局部平方 Wasserstein-2 方法,用于解决具有不确定潜变量或参数的模型的逆问题。我们的方法的一个关键优势是不需要关于潜变量或参数分布的先验信息,在基于经验分布的观测数据的基础上可有效重建与不同输入相关的输出的分布。我 - 未知时态漂移下的无分布预测推理
本文提出了一种选择自适应窗口并利用其中的数据构建预测集的策略,通过优化估计的偏差 - 方差平衡来选择窗口,并为该方法提供了明确的覆盖保证,展示了其对潜在时间漂移的适应性。通过对合成和实际数据进行数值实验,验证了其有效性。
- 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 - 胜者通吃学习者是几何感知条件密度估计器
使用 Winner-takes-all 学习算法进行条件密度估计,利用其几何特性优势,通过量化和密度估计实现了竞争力的结果。
- 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 - CSS: LLM 的不确定性量化的对比语义相似性
利用基于 CLIP 的对比语义相似度方法,通过提取相似性特征来度量文本对的不确定性,以提高大型语言模型的可靠性。
- ICML放松的分位数回归:非对称噪声的预测区间
在这项研究中,我们提出了一种名为放宽量位回归(RQR)的方法,作为量位回归的替代方法,以构建具有提升的可取特性(例如平均宽度)并保留量位回归的重要覆盖保证的区间。
- 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 - 标签级表观和本体不确定性量化
基于标签分解的不确定性量化方法,提高成本敏感决策并帮助理解不确定性来源,使用方差等非分类度量定义总体、属概性和认知不确定性,针对分类任务进行实证评估。
- 有限状态马尔可夫决策过程中的离线贝叶斯不确定性量化与后验值优化
在这篇文章中,我们解决了以未知动态的有限状态马尔科夫决策过程(MDPs)的离线使用为情景的贝叶斯不确定性的量化并将其合并的挑战。我们的方法提供了一种原则性方法来区分认识不确定性和机缘不确定性,以及一种无需依赖于 MDP 的后验分布的强假设来 - 机器学习与深度学习中不确定性的文献综述
该研究综述了机器学习中不确定性的来源、分类和度量方法,并讨论了不确定性对决策过程的影响。重点关注深度学习领域,提供了广泛范围的不确定性讨论和深度学习中的不确定性量化方法的最新综述。