PulseAugur
中
实时 08:37:46

新的LL-HMC方法使深度神经网络中的不确定性估计更具可行性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为Last Layer Hamiltonian Monte Carlo (LL-HMC)的新方法，以使深度神经网络中的不确定性估计在计算上更具可行性。传统的Hamiltonian Monte Carlo (HMC)方法虽然有效，但对于大型数据集和复杂网络来说资源消耗过大。LL-HMC将采样过程限制在深度神经网络的最后一层，显著降低了计算需求。在用于驾驶员行为和意图识别的真实视频数据集上的实验表明，LL-HMC在分类和分布外检测方面取得了有竞争力的性能，额外的采样参数可以改善分布外检测。 AI

影响 该方法可以实现更可靠的AI系统不确定性估计，从而在自动驾驶等关键领域实现更安全、更可靠的应用。

排序理由 详细介绍深度神经网络新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的LL-HMC方法使深度神经网络中的不确定性估计更具可行性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Koen Vellenga, H. Joe Steinhauer, G\"oran Falkman, Jonas Andersson, Anders Sj\"ogren ·

    Last Layer Hamiltonian Monte Carlo

    arXiv:2507.08905v2 Announce Type: replace-cross Abstract: We explore the use of Hamiltonian Monte Carlo (HMC) sampling as a probabilistic last layer approach for deep neural networks (DNNs). While HMC is widely regarded as a gold standard for uncertainty estimation, the computati…

相关实体

相关话题