利用深度学习的预测不确定性构建可信材料发现工作流
材料科学
2021-04-26 v2 计算机视觉与模式识别
机器学习
应用物理
摘要
在本文中，我们利用深度神经网络的预测不确定性来回答材料科学家在基于机器学习的材料应用工作流中通常遇到的棘手问题。首先，我们表明通过利用预测不确定性，用户可以确定达到特定分类精度所需的训练数据集规模。接下来，我们提出不确定性引导的决策转介，以检测并避免对混淆样本做出决策。最后，我们表明预测不确定性也可用于检测分布外测试样本。我们发现该方案足够准确，能够检测数据中广泛的真实世界偏移，例如图像采集条件的变化或合成条件的变化。以扫描电子显微镜（SEM）图像中的微观结构信息为例用况，我们展示了利用不确定性感知深度学习可显著提升分类模型的性能与可靠性。
引用
@article{arxiv.2012.01478,
title = {Leveraging Uncertainty from Deep Learning for Trustworthy Materials Discovery Workflows},
author = {Jize Zhang and Bhavya Kailkhura and T. Yong-Jin Han},
journal= {arXiv preprint arXiv:2012.01478},
year = {2021}
}