新框架统一了机器学习模型的不确定性评估

研究人员引入了一个新的框架，用于理解和评估机器学习模型中的预测不确定性。这种新方法将不确定性定义为逐点后验风险，将贝叶斯不确定性与估计器特定的偏差相结合。这一理论基础使得创建了一个基准，该基准使用半合成数据集直接计算出神谕的认知不确定性和偶然不确定性，从而绕过了代理任务的局限性。实证结果表明，强大的预测性能并不一定与可靠的不确定性解纠缠相关，并且该基准揭示了不同方法之间的显著差异，突显了它们对数据和建模选择的敏感性。 AI

影响 这项研究为评估模型可靠性提供了一种更严谨的方法，这对于安全敏感的人工智能应用至关重要。

排序理由 该集群包含一篇学术论文，详细介绍了用于评估机器学习不确定性的新理论框架和基准。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• A Unified Risk View of Uncertainty: Posterior Risk for Disentanglement and Evaluation Beyond Proxies
• Bayes' theorem
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• Litmaps
• ScienceCast
• scite Smart Citations

• 论文
• 安全

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