区间神经网络：不确定性分数
机器学习
2020-03-27 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
我们提出一种快速的、非贝叶斯的方法，利用数据驱动的区间传播网络，在预训练深度神经网络（DNNs）的输出中产生不确定性分数。该区间神经网络（INN）具有区间值参数，并使用区间算术传播其输入。INN 产生合理的下界和上界，包含真实值。我们为这些界的有效性提供了理论依据。此外，其非对称不确定性分数提供了超越基于高斯对称方差估计所能给出的额外方向性信息。我们发现数据中的噪声被我们的方法所产生的区间充分捕获。在图像重建任务的数值实验中，我们展示了 INN 作为预测误差代理的实用价值，并与两种最先进的不确定性量化方法进行比较。总之，INN 为 DNN 产生快速、有理论依据且易于解释的不确定性分数，附带额外信息并作为改进的错误代理——这些特征可能在推进 DNN 的可用性方面证明有用，特别是在医疗保健等敏感应用中。
引用
@article{arxiv.2003.11566,
title = {Interval Neural Networks: Uncertainty Scores},
author = {Luis Oala and Cosmas Heiß and Jan Macdonald and Maximilian März and Wojciech Samek and Gitta Kutyniok},
journal= {arXiv preprint arXiv:2003.11566},
year = {2020}
}
备注
LO and CH contributed equally