具不确定度的机器学习最先进水平
机器学习
2022-04-15 v2 计算机视觉与模式识别
摘要
随着数据、硬件、软件生态与相关技能的可获得性，机器学习界正快速发展，新架构与方法每年高频涌现。本文中，我们进行了一项示例性的图像分类研究，以展示准确率度量周围的置信区间如何极大提升研究结果的交流并影响评审过程。此外，我们探究了该近似的特征与局限。我们结合ICLR22的一篇焦点论文反思此方法的相关性。可复现工作流作为本论文的开源补充提供。基于我们的讨论，我们对改进机器学习文章的撰写与评审过程提出建议。
引用
@article{arxiv.2204.05173,
title = {Machine Learning State-of-the-Art with Uncertainties},
author = {Peter Steinbach and Felicita Gernhardt and Mahnoor Tanveer and Steve Schmerler and Sebastian Starke},
journal= {arXiv preprint arXiv:2204.05173},
year = {2022}
}
备注
9 pages, 6 figures. Accepted at the ICLR2022 workshop on ML Evaluation Standards. Code to reproduce results can be obtained from https://github.com/psteinb/sota_on_uncertainties.git