面向安全应用中不确定性量化的区间深度学习
机器学习
2021-05-14 v1 数值分析
数值分析
摘要
深度神经网络（DNN）在重要的安全关键应用中日益普及，其中预测的可靠性至关重要。尽管具有卓越的预测能力，当前的DNN没有隐式机制来量化和传播显著输入数据的不确定性——这在安全关键应用中很常见。在许多情况下，这种不确定性是认知性的，并可源于多种来源，例如对数据生成过程缺乏了解、不精确、无知以及对物理现象理解不足。近期的方法聚焦于量化参数不确定性，但针对具有认知输入数据不确定性的DNN端到端训练的方法更为有限且大多针对特定问题。在这项工作中，我们提出了一种用基于梯度的方法优化的DNN，能够通过区间分析量化输入和参数不确定性，我们称之为深度区间神经网络（DINN）。我们在具有传感器不确定性的空气污染数据集上进行了实验，表明DINN能够从不确定输入数据产生准确的边界估计。
引用
@article{arxiv.2105.06438,
title = {Interval Deep Learning for Uncertainty Quantification in Safety Applications},
author = {David Betancourt and Rafi Muhanna},
journal= {arXiv preprint arXiv:2105.06438},
year = {2021}
}