利用深度学习中的不确定性进行选择性分类
机器学习
2019-05-24 v1 人工智能
最优化与控制
机器学习
其他统计学
摘要
深度学习被从业者的广泛且迅速的采用在许多情境中带来了意想不到的后果，例如著名的 Google Photos 种族主义图像识别算法事件；因此，有必要对每一次预测利用量化后的不确定性。近来已有一些针对常规深度学习方法中不确定性量化的努力（例如，将 dropout 作为贝叶斯近似）；然而，它们在决策中的最优使用常被忽视且研究不足。在本研究中，我们提出一个用于带拒绝选项分类（亦称选择性分类）的混合整数规划框架，该框架考察并结合模型不确定性与预测均值以识别最优分类与拒绝区域。我们的结果表明，该框架在多个公开可用数据集上的非拒绝准确率与拒绝质量方面均具有优越性能。此外，我们将框架扩展至代价敏感设定，并展示我们的方法在真实场景的在线欺诈管理中显著优于行业标准方法。
引用
@article{arxiv.1905.09509,
title = {Leveraging Uncertainty in Deep Learning for Selective Classification},
author = {Mehmet Yigit Yildirim and Mert Ozer and Hasan Davulcu},
journal= {arXiv preprint arXiv:1905.09509},
year = {2019}
}