新方法将AI不确定性分解为每类贡献

研究人员开发了一种新方法，将贝叶斯深度学习模型中的认知不确定性分解为每类贡献。这种新指标，称为 $C_k(x)$，可以更细致地理解模型的无知，特别是在失败成本不对称的安全关键应用中。通过将互信息（MI）分解为一个按类别加权不确定性的向量，该方法提高了选择性预测的准确性，并与传统的标量MI相比提供了更好的分布外检测。 AI

影响 通过提供对模型不确定性的更清晰理解，这项研究可能导致安全关键领域中更可靠的AI系统。

排序理由 该集群包含一篇研究论文，详细介绍了一种用于分解机器学习模型中认知不确定性的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• Auroc
• Bayesian Deep Learning
• CatalyzeX
• DagsHub
• diabetic retinopathy
• Gotit.pub
• Hugging Face
• Mame Diarra Toure
• mutual information (MI)
• ScienceCast

• 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 →