结合统计深度与 Fermat 距离的不确定性量化
机器学习
2025-02-20 v1 人工智能
机器学习
概率论
应用统计
摘要
我们使用一种称为“透镜深度”(LD) 的统计概念结合 Fermat 距离来测量神经网络预测中的分布外不确定性，该概念能够精确捕捉特征空间中某点相对于分布的“深度”，而无需对分布形式作任何假设。我们的方法没有可训练参数。该方法适用于任何分类模型，因为它在测试时直接应用于特征空间，且不干预训练过程。因此，它不影响原始模型的性能。所提出的方法在玩具数据集上给出了出色的定性结果，并且与强基线方法相比，在标准深度学习数据集上能够提供具有竞争力或更优的不确定性估计。
引用
@article{arxiv.2404.08476,
title = {Combining Statistical Depth and Fermat Distance for Uncertainty Quantification},
author = {Hai-Vy Nguyen and Fabrice Gamboa and Reda Chhaibi and Sixin Zhang and Serge Gratton and Thierry Giaccone},
journal= {arXiv preprint arXiv:2404.08476},
year = {2025}
}
备注
12 pages