基于不确定性感知 Dirichlet 网络置信度估计的失败预测
机器学习
2020-10-21 v1 计算机视觉与模式识别
摘要
在深度学习中可靠地评估模型置信度并预测可能产生的错误，是为模型部署提供安全性的关键要素，尤其对于后果严重的应用而言。本文首先表明，不确定性感知深度 Dirichlet 神经网络在真实类概率（TCP）度量下，对正确与错误预测的置信度提供了更好的分离。其次，由于测试时真实类未知，我们提出一种新的准则，通过匹配预测置信度分数，同时考虑不平衡与 TCP 约束以针对正确预测与失败情况，来学习真实类概率。实验结果表明，我们的方法在多个图像分类任务及各种网络架构上，优于最大类概率（MCP）基线及标准网络的预测 TCP。
引用
@article{arxiv.2010.09865,
title = {Failure Prediction by Confidence Estimation of Uncertainty-Aware Dirichlet Networks},
author = {Theodoros Tsiligkaridis},
journal= {arXiv preprint arXiv:2010.09865},
year = {2020}
}
备注
preliminary version presented at ICML 2020 Workshop on Uncertainty and Robustness in Deep Learning, submitted