监督学习中的认知（模型）不确定性综述：最新进展与应用
机器学习
2022-01-27 v2
摘要
量化监督学习模型的不确定性在做出更可靠的预测中扮演着重要角色。认知不确定性通常由于对模型的知识不足而产生，可以通过收集更多数据或改进学习模型来减少。在过去几年中，学者们提出了许多认知不确定性处理技术，这些技术可大致分为两类，即贝叶斯方法和集成方法。本文对过去五年监督学习中的认知不确定性学习技术进行了全面回顾。因此，我们首先将认知不确定性分解为偏差项和方差项。然后，介绍了认知不确定性学习技术的层次分类及其代表性模型。此外，还介绍了计算机视觉（CV）和自然语言处理（NLP）等多个应用，随后讨论了研究空白和可能的未来研究方向。
引用
@article{arxiv.2111.01968,
title = {A Survey on Epistemic (Model) Uncertainty in Supervised Learning: Recent Advances and Applications},
author = {Xinlei Zhou and Han Liu and Farhad Pourpanah and Tieyong Zeng and Xizhao Wang},
journal= {arXiv preprint arXiv:2111.01968},
year = {2022}
}
备注
45pages, 4 figures