基于隐式分位数网络的不确定性估计

Yi Hung Lim

基于隐式分位数网络的不确定性估计

机器学习 2024-08-28 v1 人工智能神经与进化计算

作者: Yi Hung Lim

摘要

不确定性量化是许多关键性能应用中的重要组成部分。本文提供了一种针对 ensemble learning 和贝叶斯神经网络等现有方法的简单替代方案。通过直接使用隐式分位数网络（Implicit Quantile Network）对损失分布进行建模，我们获得对模型预测不确定性的估计。在使用 MNIST 和 CIFAR 数据集进行实验时，错误预测的损失分布均值高出 2 倍。当从测试数据集中移除被估计为高不确定性的数据时，模型的准确率可提高最高 10%。该方法简单易实现，同时为需要了解模型何时可能出错的应用提供了重要信息（例如用于医疗保健的深度学习）。

关键词

不确定性量化隐式分位数网络 ensemble learning 贝叶斯神经网络 MNIST CIFAR

引用

@article{arxiv.2408.14525,
  title  = {Estimating Uncertainty with Implicit Quantile Network},
  author = {Yi Hung Lim},
  journal= {arXiv preprint arXiv:2408.14525},
  year   = {2024}
}

备注

This method is simple to implement and offers important information for performance critical applications

基于隐式分位数网络的不确定性估计

摘要

关键词

引用

备注

相关论文