研究人员开发了一种用于深度学习模型不确定性量化(UQ)的新方法,特别适用于高维输出空间。该方法联合建模偶然性不确定性(解释数据噪声)和认知不确定性(反映模型置信度)。通过用低秩加对角协方差结构近似联合不确定性,该方法在没有完整协方差矩阵的计算开销的情况下捕获了重要的输出相关性。这种统一的二阶分布支持稳健的下游分析,并在图像修复、着色、光流和深度估计等任务中展示了卓越的 UQ 性能。 AI
影响 通过为高维输出提供更稳健的不确定性量化,增强了深度学习模型的可靠性。
排序理由 该集群描述了一篇在 arXiv 上发表的研究论文,详细介绍了一种用于深度学习模型不确定性量化的新颖方法。
在 Hugging Face Daily Papers 阅读 →
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv Recommender
- Influence Flower
- Leonhard F. Feiner
- ScienceCast
- aleatoric uncertainty
- deep learning
- depth estimation
- epistemic uncertainty
- optical flow
- uncertainty quantification
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →