基于指数族的门控循环单元中无采样不确定性估计

近来，视觉与机器学习系统中出现了一种协同努力，旨在推导机制以对其所作预测提供不确定性估计。显然，一个不仅准确而且能感知自身不确定性的系统具有巨大益处。现有方案围绕现代深度架构的贝叶斯解释展开——这些方法有效，但常计算昂贵。我们展示了文献中关于指数族概率网络的经典思想如何为门控循环单元(GRU)推导不确定性估计提供极佳起点。我们的方案确定性地直接量化不确定性，无需昂贵的基于采样的估计。我们展示了我们的模型如何用于定量和定性地度量无监督图像序列预测中的不确定性。据我们所知，这是首个描述如GRU等强大序列模型的无采样不确定性估计的结果。