通过凸神经网络的自举法实现卷积神经网络的不确定性量化
机器学习
2026-04-15 v1
摘要
尽管卷积神经网络（CNN）广受欢迎，但CNN的不确定性量化（UQ）问题在很大程度上被忽视了。缺乏高效的UQ工具严重限制了CNN在医学等领域的应用，在这些领域中，预测不确定性至关重要。在已有的少数针对深度学习提出的UQ方法中，没有一种具有能保证不确定性质量的理论一致性。为解决此问题，我们提出了一种新颖的基于自举法的预测不确定性估计框架。我们使用的推理过程依赖于凸化神经网络来建立自举法的理论一致性。我们的方法计算量远小于同类方法，因为它依赖于每次自举时的热启动，从而避免了从头开始重新拟合模型。我们进一步探索了一种新颖的迁移学习方法，使我们的框架能够适用于任意神经网络。实验表明，在各种图像数据集上，我们的方法相比其他基线CNN和最新方法具有更好的性能。
引用
@article{arxiv.2604.11833,
title = {Uncertainty Quantification in CNN Through the Bootstrap of Convex Neural Networks},
author = {Hongfei Du and Emre Barut and Fang Jin},
journal= {arXiv preprint arXiv:2604.11833},
year = {2026}
}
备注
9 pages, 1 figure. Accepted at AAAI 2021