面向基于机器学习的信息融合增强型 AI 模型不确定性量化的时序感知不确定性封装器
机器学习
2023-06-01 v2 软件工程
摘要
随着人工智能（AI）组件在网络物理系统中的使用日益普遍，对可靠系统架构的需求随之产生。虽然数据驱动模型在感知任务上表现出色，但模型输出通常不足以可靠地用于安全关键应用。本工作中，我们提出一种时序感知不确定性封装器，用于对时序数据给出可靠的不确定性估计。该不确定性封装器与跨时间连续模型预测的信息融合结合使用。该不确定性封装器的应用通过一个交通标志识别用例加以展示。我们表明，可通过信息融合提高模型准确率，并可通过时序感知输入质量特征额外提升不确定性估计的质量。
引用
@article{arxiv.2305.14872,
title = {Timeseries-aware Uncertainty Wrappers for Uncertainty Quantification of Information-Fusion-Enhanced AI Models based on Machine Learning},
author = {Janek Groß and Michael Kläs and Lisa Jöckel and Pascal Gerber},
journal= {arXiv preprint arXiv:2305.14872},
year = {2023}
}
备注
8 pages, 7 figures, VERDI workshop collocated with the DSN conference 2023