- 基于自回归生成的后验采样
使用历史数据进行预训练的自回归模型,在新闻推荐任务中通过端到端微调预训练语言模型来处理新闻文章标题文本以提高性能,并在在线决策中展示了能够理解不确定性和主动收集信息以解决环境变化的新的学习算法框架。
- MEGA:人体网格恢复的掩码生成自编码器
基于掩码生成建模的新方法 MEGA,可以从图像和部分人体网格序列中恢复人体网格,通过灵活的生成方案可以在确定模式下预测单个人体网格或在随机模式下生成多个人体网格,实验结果表明 MEGA 在确定和随机模式下均取得了最先进的性能,优于单输出和多 - 利用参数化物理信息神经网络从全场数据进行确定性和统计校准的本构模型
用参数物理信息神经网络参数化地、通过全场位移数据进行本构模型标定所提出的方法,在确定性标定和基于贝叶斯推断的不确定性估计方面均具有高准确性,并且与有限元方法标定的实验证实结果相吻合。
- 知识图谱构建中的不确定性管理:一项调查
建立知识图谱是个具有挑战性的任务,因为需要处理提取知识中的不确定性,并且需要解决数据的可靠性和冲突问题,同时还需要确保知识图谱的质量。
- 时序网络的高斯嵌入
TGNE 是一种创新方法,通过在潜在空间中使用高斯分布的分段线性轨迹将节点嵌入,捕捉结构信息和轨迹的不确定性。结果表明,TGNE 在重新构建未观察到的边交互以及建模不确定性方面具有竞争力。
- 意见引导的强化学习
人类导引在强化学习中经常被用来提升学习代理的性能。然而,人类的见解通常只是意见和猜测,而不是明确的论证。尽管意见存在不确定性,但它们往往比硬证据早出现。因此,通过意见来引导强化学习代理提供了更有效的学习过程的潜力,但也面临以形式化方式建模和 - 集装箱预抵达时间不确定性下最小化 CV@R 的预装箱问题
梳理货箱布局中遇到的船只到达时间不确定性的问题,提出一种基于条件风险最小化的混合整数线性优化模型并设计一种基于切割平面方法的精确算法,通过数值实验表明该方法与传统稳健优化模型相比可以产生高质量的货箱布局并加速计算大规模问题的求解。
- 看起来太好不真实:对生成修复模型中幻觉的信息论分析
通过使用信息论工具研究图像修复中的现象,发现了生成模型在实现高感知质量和可靠预测之间存在根本性的制约关系,揭示了感知不确定性与修复质量之间的权衡,为从业者提供决策依据,可能将安全性置于感知性能之上。
- 基于概率的显性球面空间上对比学习
通过将表示嵌入到球形空间中,借鉴 von Mises-Fisher 分布的思想,本研究在自监督对比学习中引入了一种将不确定性纳入考虑的新视角。我们介绍了 vMF 的非规范形式,并利用浓度参数 kappa 作为直接可解释的不确定性度量,不仅提 - 基于训练集凸包的深度学习系统不确定性测量
用深度学习来解决在安全关键领域中不确定性的问题,通过选择可能导致模型发生故障的数据并提出新的测试选择方法,基于训练数据的凸包来分析模型的不确定性,并与现有的测试选择指标进行对比,结果显示该方法能有效发现有异常模式的样本。
- 特征融合提升分类效果:结合 Dempster-Shafer 理论和多个 CNN 架构
使用 Dempster-Shafer 理论构建的集成模型解决深度学习中的不确定性问题,通过特征提取、信任度计算、融合和效用计算等步骤,该方法在 CIFAR-10 和 CIFAR-100 数据集上进行的实验展示了显著的分类准确性提升,相较于最 - 适应性选组等覆盖的共形分类
引入了一种符合性推断方法以评估分类中的不确定性,通过生成具有有效覆盖率的预测集,并在自适应选择的特征上进行。这些特征经过精选以反映潜在的模型限制或偏差,有助于在提供有信息的预测的同时,在最敏感的群体中确保平等的覆盖率,从而找到实践上的一个妥 - 决策导向的预测:多阶段优化的决策损失
决策聚焦学习关注解决不确定性下的决策问题,特别是多阶段优化与预测相结合的模型对未来决策具有重要影响,本研究提出了基于多层模型的决策聚焦预测方法,并在能量存储套利任务中验证了其优越性。
- 基于区间值模糊软集能量的决策算法
我们的工作继续探讨了区间值模糊软集的特性,该特性是通过组合区间值模糊集和软集得到的。我们引入了区间值模糊软集的能量概念,以及悲观和乐观能量,从而构建了一个有效的决策算法。通过例子,本文展示了该算法如何成功应用于涉及不确定性的问题。此外,我们 - 通过迭代自我反思,LLM 可以学会自我约束
为了安全部署,大型语言模型(LLMs)必须能够根据知识水平和特定主题的不确定性动态调整其行为。本文介绍了一种自我控制的方法来教导模型在自信的情况下才产生回答,并使用 ReSearch 算法不断改进模型,从而实现知识的有选择性表达。
- 增强顺序市场清算通过面向价值的可再生能源预测
通过价值导向的预测方法,我们提出了一种解决大量可再生能源进入电力市场带来的不确定性的方法,以降低日前和实时总体运行成本。
- 预测不确定性和多样性在体验智能和机器人学习中的作用
机器人学中的不确定性一直是一个关键领域的研究,特别是在机器人配备了分析模型时。随着我们逐步推广使用在研究环境中表现出色的深度神经网络的机器人,了解不确定性的细微差别对于它们在现实世界中的部署变得至关重要。本指南提供了关于不确定性重要性的概述 - ActiveNeuS: 使用神经隐式表面不确定性的主动三维重建
提出了一种名为 ActiveNeuS 的方法,该方法在选择视图时考虑了不确定性,通过同时计算图像渲染不确定性和神经隐式曲面不确定性,避免了稀疏输入训练阶段引入的偏差,通过使用曲面信息和格点高效地选择多样的视点,提升了 3D 场景重建的性能。
- 使用符合预测法进行深度学习模型校准外检测
在遥感等关键应用中,深度学习模型的黑盒特性使其使用变得复杂。与数据可交换性相关的符合预测是一种能确保信任的方法,可提供有限样本覆盖保证,以用户定义的错误率为形式,确保预测集合包含真实类别。本文展示了符合预测算法与深度学习模型的不确定性相关, - 机器学习中有效不确定性量化的共形预测方法的比较研究
过去几十年,数据分析和机器学习领域的大部分工作都致力于优化预测模型,并取得比现有模型更好的结果。然而,本文指出对于很多应用而言,更加重要的并非准确的预测,而是变异性或不确定性。本文进一步探讨了让每个人了解不确定性、意识到其重要性并学会拥抱而