新的K-DAREK框架为神经网络提供可靠的最坏情况误差界限

研究人员开发了一个名为K-DAREK的新框架，用于神经网络，旨在为安全关键型应用提供可靠的最坏情况误差界限。该方法将密集层与基于样条的组件相结合，以确保不确定性估计既具有距离感知性（随着与训练数据的距离增加而增加），又能提供确定性保证。与Kolmogorov--Arnold Networks (KANs)和高斯过程等现有方法相比，K-DAREK在速度和计算效率方面表现出显著的改进，同时在实验中还减少了误差界限违规和碰撞率。 AI

影响 通过提供更好的不确定性量化，增强了神经网络在安全关键型应用中的可靠性。

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

在 arXiv stat.ML 阅读 →

• Gaussian processes
• K-DAREK
• Kolmogorov--Arnold Networks
• Masoud Ataei Jaliseh
• neural networks

• 论文
• 安全
• 基础设施

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