n-MeRCI：一种评估预测不确定性与真实误差相关性的新指标
机器学习
2019-08-21 v1 计算机视觉与模式识别
机器学习
摘要
随着深度学习应用在机器人领域日益普及，评估推断可靠性的问题成为机器人界的核心问题。这一被称为预测不确定性的领域，已受到致力于发展适应深度学习的贝叶斯方法（如 Monte Carlo Dropout）的研究团队的审视。遗憾的是，迄今为止，预测不确定性的真实目标被掩盖了。实际上，这些方法仅依据网络预测的裸性能进行评估，而其估计不确定性的质量却未被考量。评估此类不确定性预测质量在机器人学中尤为关键，因为动作应依赖于对所感知信息的置信度。在此背景下，本文的主要贡献是提出一种适用于相对不确定性评估且可直接应用于深度神经网络回归的新指标。为实验验证该指标，我们在一个玩具数据集上对其进行评估，随后将其应用于单目深度估计任务。
引用
@article{arxiv.1908.07253,
title = {n-MeRCI: A new Metric to Evaluate the Correlation Between Predictive Uncertainty and True Error},
author = {Michel Moukari and Loïc Simon and Sylvaine Picard and Frédéric Jurie},
journal= {arXiv preprint arXiv:1908.07253},
year = {2019}
}