研究人员开发了一种新颖的贝叶斯3D可定向CNN，可同时实现SE(3)-等变性和不确定性量化。该新模型在核系数上放置后验分布，从而实现随机核，同时保持精确的等变性。该框架将预测不确定性分解为认知不确定性和随机不确定性成分，在分布偏移下表现出具有竞争力的分类准确性和改进的性能。 AI
影响 为等变神经网络中的不确定性量化引入了一种新方法，有可能提高对置信度估计敏感的应用的可靠性。
排序理由 该集群包含一篇详细介绍新模型架构和方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Bayes-by-Backpropagation
- Bayesian Steerable-CNN
- CNNS
- Gaussian noise
- SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks
- Steerable-CNNs
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →