提升学习型自主系统预测置信度
机器学习
2021-10-08 v1
摘要
自主系统广泛使用深度神经网络（DNN）等学习型组件进行预测与决策。在本文中，我们利用自主系统中用于分类的学习型组件与传感器之间的反馈回路，以提升预测的置信度。我们基于三元组网络架构使用归纳共形预测（ICP）设计了一个分类器，以学习可用于量化测试样本与训练样本之间相似度的表示。该方法允许以使用选定显著性水平预定义的错误率计算置信集预测。一个向传感器查询新输入的反馈回路被用于进一步精炼预测并提高分类准确率。该方法计算高效，可扩展到高维输入，并能在反馈回路中与系统实时执行。该方法使用交通标志识别数据集进行评估，结果显示错误率降低。
引用
@article{arxiv.2110.03123,
title = {Improving Prediction Confidence in Learning-Enabled Autonomous Systems},
author = {Dimitrios Boursinos and Xenofon Koutsoukos},
journal= {arXiv preprint arXiv:2110.03123},
year = {2021}
}
备注
Published in Dynamic Data Driven Applications Systems. DDDAS 2020