深度学习 prognostics 不确定性量化的基准测试
机器学习
2023-02-10 v1 机器学习
摘要
在预测性维护中，对剩余使用寿命（RUL）预测进行可靠的不确定性量化对于提供信息的决策至关重要。在此背景下，我们评估了 prognostics 深度学习不确定性量化领域的一些最新进展。这包括用于贝叶斯神经网络（BNN）的最先进变分推断算法，以及蒙特卡洛 Dropout（MCD）、深度集成（DE）和异方差神经网络（HNN）等流行替代方法。所有推断技术共享相同的 inception 深度学习架构作为函数模型。我们进行了超参数搜索以优化算法的主要变分和学习参数。方法的性能在大型 NASA NCMAPSS 飞机发动机数据集的一个子集上进行评估。评估包括 RUL 预测精度、预测不确定性的质量，以及将总预测不确定性分解为其偶然性和认知性部分的可能性。结果表明，没有一种方法在所有情况下都明显优于其他方法。尽管所有方法在精度上接近，我们发现它们估计不确定性的方式存在差异。因此，DE 和 MCD 通常比 BNN 提供更保守的预测不确定性。令人惊讶的是，HNN 可以在没有 BNN 额外训练复杂度和额外参数的情况下取得强劲结果。对于需要分离认知和偶然不确定性的主动学习等任务，径向 BNN 和 MCD 似乎是最佳选择。
引用
@article{arxiv.2302.04730,
title = {A Benchmark on Uncertainty Quantification for Deep Learning Prognostics},
author = {Luis Basora and Arthur Viens and Manuel Arias Chao and Xavier Olive},
journal= {arXiv preprint arXiv:2302.04730},
year = {2023}
}
备注
29 pages, 16 figures