神经网络分类器中的不确定性量化——一种局部线性方法
机器学习
2024-10-28 v1 信号处理
摘要
基于神经网络(NN)的分类器通常缺乏对预测类别的不确定性度量。我们提出一种估计不同类别的概率质量函数(PMF)以及所估PMF协方差的方法。首先，在训练阶段使用局部线性方法递归计算NN中参数的协方差。其次，在分类阶段使用另一种局部线性方法，将所学NN参数的协方差传播至NN最后一层输出的不确定性中。这使得一种高效的蒙特卡洛(MC)方法得以用于：(i)估计PMF；(ii)计算所估PMF的协方差；(iii)多分类器的正确风险评估与融合。使用两个经典图像分类任务，即MNIST和CFAR10，来证明所提方法的效率。
引用
@article{arxiv.2303.07114,
title = {Uncertainty quantification in neural network classifiers -- a local linear approach},
author = {Magnus Malmström and Isaac Skog and Daniel Axehill and Fredrik Gustafsson},
journal= {arXiv preprint arXiv:2303.07114},
year = {2024}
}
备注
10 pages, 2 figures. Submitted to Elsevier for possible publication