面向回归任务鲁棒不确定性量化的离散化诱导狄利克雷后验
计算机视觉与模式识别
2023-12-14 v2 机器学习
机器学习
摘要
不确定性量化对于在真实应用中部署深度神经网络（DNNs）至关重要。辅助不确定性估计器（AuxUE）是在不修改主任务模型的情况下估计主任务预测不确定性的最有效手段之一。要被视为鲁棒，AuxUE必须能够在遇到分布外（OOD）输入时保持其性能并触发更高的不确定性，即提供鲁棒的偶然与认知不确定性。然而，对于视觉回归任务，当前的AuxUE设计主要被用于偶然不确定性估计，其鲁棒性尚未被探索。本工作中，我们提出一种广义AuxUE方案，用于回归任务上更鲁棒的不确定性量化。具体而言，为实现更鲁棒的偶然不确定性估计，针对异方差噪声考虑了不同的分布假设，并最终选择拉普拉斯分布来近似预测误差。对于认知不确定性，我们提出一种名为离散化诱导狄利克雷后验（DIDO）的新方案，其对离散化预测误差上的狄利克雷后验进行建模。在年龄估计、单目深度估计和超分辨率任务上的大量实验表明，我们所提方法能在含噪输入下提供鲁棒不确定性估计，并可扩展至图像级与像素级任务。代码见 https://github.com/ENSTA-U2IS/DIDO 。
引用
@article{arxiv.2308.09065,
title = {Discretization-Induced Dirichlet Posterior for Robust Uncertainty Quantification on Regression},
author = {Xuanlong Yu and Gianni Franchi and Jindong Gu and Emanuel Aldea},
journal= {arXiv preprint arXiv:2308.09065},
year = {2023}
}
备注
23 pages with main paper and supplymentary material. Accepted at AAAI 2024