深度证据回归的不合理有效性
机器学习
2023-07-21 v3 神经与进化计算
机器学习
摘要
随着机器学习系统日益部署于安全关键领域，对原则性不确定性推理存在显著需求。一种基于不确定性感知回归神经网络（NNs）的新方法，通过学习用于偶然与认知不确定性的证据分布，展现出优于传统确定性方法与典型贝叶斯 NNs 的潜力，尤其具备分离偶然与认知不确定性的能力。尽管深度证据回归（DER）已取得一些经验性成功，其数学基础仍存在重要缺口，引出了所提技术看似有效的原因之问。我们详述了理论缺陷并分析了在合成与真实世界数据集上的性能，表明深度证据回归是一种启发式方法而非精确的不确定性量化。我们进一步讨论应从 NNs 中提取偶然与认知不确定性的修正与重定义。
引用
@article{arxiv.2205.10060,
title = {The Unreasonable Effectiveness of Deep Evidential Regression},
author = {Nis Meinert and Jakob Gawlikowski and Alexander Lavin},
journal= {arXiv preprint arXiv:2205.10060},
year = {2023}
}
备注
11 pages, 25 figures