具有域偏移的在线手写识别中时间序列分类的不确定性感知评估
计算机视觉与模式识别
2024-10-08 v1 人工智能
摘要
对于许多应用而言，分析机器学习模型的不确定性不可或缺。尽管不确定性量化(UQ)技术在计算机视觉应用中已非常成熟，针对时空数据的UQ方法研究较少。本文聚焦于在线手写识别模型，这是一类特殊的时空数据。数据来自传感器增强笔，目标是分类所写字符。我们基于两种著名的贝叶斯推断技术——随机权重平均-高斯(SWAG)与深度集成(Deep Ensembles)，对偶然（数据）与认知（模型）不确定性量化进行了广泛评估。除更好理解模型外，UQ技术可在结合右撇与左撇书写者（一代表性不足群体）时检测出分布外数据与域偏移。
引用
@article{arxiv.2206.08640,
title = {Uncertainty-aware Evaluation of Time-Series Classification for Online Handwriting Recognition with Domain Shift},
author = {Andreas Klaß and Sven M. Lorenz and Martin W. Lauer-Schmaltz and David Rügamer and Bernd Bischl and Christopher Mutschler and Felix Ott},
journal= {arXiv preprint arXiv:2206.08640},
year = {2024}
}