PulseAugur
实时 09:17:22
English(EN) Tracing sources of epistemic uncertainty in deep learning predictions: homo- and hetero-scedastic linearized estimators

新的估计器追踪深度学习模型中的认知不确定性

研究人员已将经典的统计估计器应用于量化深度学习模型中的认知不确定性。这种新方法利用了近似费舍尔信息矩阵的最新进展,使其能够扩展到复杂的架构。该方法区分了随机不确定性(由于数据稀疏引起)和认知不确定性,通过展示个体数据点如何受到每种来源的影响,在增强现实世界应用的鲁棒性方面显示出实用价值。 AI

影响 这项研究通过提供对预测不确定性的更好洞察,可能带来更鲁棒和可靠的深度学习应用。

排序理由 该集群包含一篇详细介绍深度学习研究新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

新的估计器追踪深度学习模型中的认知不确定性

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Pierre Nodet, Thomas George ·

    深度学习预测中认知不确定性来源的追踪:同方差和异方差线性化估计器

    arXiv:2608.07630v1 Announce Type: cross Abstract: We adapt two classical statistical estimators for quantifying uncertainty to modern deep learning, in order to provide clearer insights into uncertainty attributable to two sources : aleatoric uncertainty, or locally scarce data. …