SEF：一种通过在神经网络中平移误差函数计算预测区间的方法

在当今时代，神经网络 (NN) 被应用于机器人、医学、工程等各个科学领域。然而，神经网络自身的预测包含一定程度的不确定性，在做出任何决策之前必须始终将其考虑在内。这就是为什么许多研究人员致力于开发不同的方法来量化神经网络预测的不确定性。其中一些方法是通过神经网络为请求的目标值生成预测区间 (PI)。本文提出的 SEF (Shifting the Error Function) 方法是属于此类方法的一种新方法。所提出的方法涉及对单个神经网络进行三次训练，从而针对给定问题生成一个估计值以及相应的上下界。该方法的一个关键方面是从初始网络的估计值中计算出一个参数，然后将其整合到另外两个网络的损失函数中。这种创新的过程有效地生成了预测区间，从而成为一种用于不确定性量化的稳健且高效的技术。为了评估我们方法的有效性，我们使用两个合成数据集，在成功生成预测区间方面对 SEF、PI3NN 和 PIVEN 方法进行了比较。