深度网络中的不确定性建模：短序列含噪数据的预测
机器学习
2018-07-25 v1 机器学习
摘要
深度学习是一种成熟的、最先进的机器学习工具，用于在提供大量示例数据集时拟合函数。然而在回归任务中，深度学习方法直接应用仅提供目标的点估计，且模型未考虑预测的不确定性。这对于传达错误预测会带来风险的任务而言是一大局限。本文处理一个真实世界问题：在移动应用上展示可预期的金额的同时，预测客户即将发生的财务支出与收入。在此背景下，我们探究通过对网络输出的方差采用异方差模型来应用深度学习模型是否会带来优势。在实验上，我们取得了高于非平凡基线的准确率。更重要的是，我们引入了一种丢弃低置信度预测的机制，即这些预测不会对用户可见。这应有助于提升我们产品的用户体验。
引用
@article{arxiv.1807.09011,
title = {Uncertainty Modelling in Deep Networks: Forecasting Short and Noisy Series},
author = {Axel Brando and Jose A. Rodríguez-Serrano and Mauricio Ciprian and Roberto Maestre and Jordi Vitrià},
journal= {arXiv preprint arXiv:1807.09011},
year = {2018}
}
备注
17 pages, 5 figures, Applied Data Science Track of The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD 2018)