跨被试运动想象分类的不确定性量化
机器学习
2024-03-15 v1 计算机视觉与模式识别
摘要
不确定性量化旨在判断机器学习模型的预测何时可能出错。计算机视觉研究已探索了确定认知不确定性（也称模型不确定性）的方法，该不确定性应与泛化误差相对应。这些方法理论上允许预测由被试间差异导致的误分类。我们应用了多种不确定性量化方法来预测运动想象脑机接口中的误分类。深度集成方法在分类性能和跨被试不确定性量化性能方面均表现最佳。然而，我们发现带有Softmax输出的标准卷积神经网络比一些更先进的方法表现更好。
引用
@article{arxiv.2403.09228,
title = {Uncertainty Quantification for cross-subject Motor Imagery classification},
author = {Prithviraj Manivannan and Ivo Pascal de Jong and Matias Valdenegro-Toro and Andreea Ioana Sburlea},
journal= {arXiv preprint arXiv:2403.09228},
year = {2024}
}