PulseAugur
中
实时 13:54:40
English(EN) Fixed-Mean Gaussian Processes for Post-hoc Bayesian Deep Learning

新的FMGP方法增强了深度学习的不确定性估计

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为固定均值高斯过程（FMGP）的新方法，用于估计预训练深度神经网络的不确定性。该方法将高斯过程后验均值固定为DNN的输出，使其能够有效地拟合预测方差而不损害准确性。FMGP不依赖于特定架构，并且能够很好地扩展到ImageNet等大型数据集，与现有方法相比，它提供了更优的不确定性估计和计算效率。 AI

影响 提供了一种新颖的技术，通过量化预测不确定性来提高深度学习模型的可靠性。

排序理由 该集群包含一篇详细介绍深度学习新方法的学术论文。[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 →

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Luis A. Ortega, Sim\'on Rodr\'iguez-Santana, Daniel Hern\'andez-Lobato ·

    用于事后贝叶斯深度学习的固定均值高斯过程

    arXiv:2412.04177v2 Announce Type: replace-cross Abstract: Recently, there has been an increasing interest in performing post-hoc uncertainty estimation about the predictions of pre-trained deep neural networks (DNNs). Given a pre-trained DNN via back-propagation, these methods en…

相关实体

相关话题