新的CLEAR方法通过平衡风险来改进AI不确定性量化

研究人员推出了一种新颖的校准方法CLEAR，旨在通过解决回归任务中的偶然不确定性和认知不确定性来改进预测区间覆盖率。该方法利用两个独立的参数（γ1和γ2）来平衡这些不确定性组成部分。CLEAR具有通用性，可以与各种估计器集成，例如用于偶然不确定性的分位数回归，以及用于认知不确定性的深度集成或来自可预测性-可计算性-稳定性（PCS）框架的方法。在17个不同的数据集上，CLEAR在保持标称覆盖率的同时，在区间宽度方面比单独的基线校准平均提高了28.3%。 AI

影响 通过改进不确定性处理，增强了预测建模的可靠性，这对于需要稳健决策的应用至关重要。

排序理由 该集群包含一篇详细介绍机器学习中不确定性量化新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• arXiv
• CLEAR
• Deep Ensembles
• Ilia Azizi
• Predictability-Computability-Stability (PCS) framework
• Simultaneous quantile regression and determinants of under-five severe chronic malnutrition in Ghana

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →