用于不确定性建模的保分布多假设预测
机器学习
2021-10-07 v1
摘要
许多监督机器学习任务，如动力学系统中的未来状态预测，需要对预测的不确定性进行精确建模。多假设预测（MHP）方法通过提供若干代表可能结果的假设来解决该问题。遗憾的是，在常用 损失函数下，这些假设无法保持数据分布的特征。我们提出一种用于保分布 MHP 的替代损失，并回顾支持我们论断的相关定理。此外，我们在合成与真实世界运动预测数据集上实证表明，我们的方法产生了更具代表性的假设。所提方法的输出可直接用于基于采样的蒙特卡洛方法。
引用
@article{arxiv.2110.02858,
title = {Distribution Preserving Multiple Hypotheses Prediction for Uncertainty Modeling},
author = {Tobias Leemann and Moritz Sackmann and Jörn Thielecke and Ulrich Hofmann},
journal= {arXiv preprint arXiv:2110.02858},
year = {2021}
}
备注
Presented at the European Symposium of Artificial Neural Networks (ESANN) 2021