Deep Ensembles
PulseAugur coverage of Deep Ensembles — every cluster mentioning Deep Ensembles across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
AI不确定性指标在肺结节存在歧义方面失效
一篇新的arXiv论文研究了深度学习中随机不确定性估计在3D肺结节分割中的有效性。研究发现，基于熵的标准不确定性度量虽然与边界噪声相关，但不能充分捕捉关于结节存在的临床显著歧义。研究人员证明，一个简单的、在现有分割特征上训练的监督歧义头，其性能显著优于基于熵的方法，甚至能媲美更复杂的歧义建模技术。这表明，在安全关键的医疗应用中，当前的随机不确定性方法可能不是临床歧义的可靠代理。
-
新的贝叶斯解释方法提高了电能质量扰动分类器的可靠性
本文介绍了一种新颖的后验贝叶斯解释方法，用于深度学习分类器在电能质量扰动识别中的应用。该方法采用拉普拉斯近似来有效地推导出近似参数后验，从而能够生成扰动定位图的分布。这种方法提供了具有可靠性度量的解释，能够锐化特定事件的定位，并指示在噪声或域偏移下的解释分散性。
-
新AI框架通过不确定性和可解释性增强皮肤病变分类
研究人员开发了一个新的皮肤病变分类框架，该框架结合了深度集成学习、不确定性量化和可解释性技术。该方法使用多种模型，包括视觉 Transformer 和 CNN，以提高准确性并识别不可靠的预测。该系统在 HAM10000 数据集上表现出色，准确率达到 96%，ROC-AUC 达到 99%，尤其是在基于不确定性过滤预测时。
-
新研究探索深度学习中的不确定性量化在各种应用中的潜力
三篇新研究论文探讨了深度学习模型中不确定性量化的先进技术。第一篇论文介绍了直觉模糊深度随机神经网络（IF-dRVFL和IF-edRVFL），以提高分类任务中对噪声数据和异常值的鲁棒性。第二篇论文对基因组学应用中的不同不确定性量化方法进行了实证分析，包括深度集成、贝叶斯神经网络和蒙特卡洛-dropout，发现贝叶斯神经网络对于不平衡和分布外数据更可靠。第三篇论文提出了一种两步MV-DeepONet用于概率算子学习，增强了不确定性传播中跨…
-
新调查详细介绍了面向可信深度学习的不确定性量化
一篇新发布的arXiv调查论文详细介绍了深度学习中不确定性量化的方法，重点关注与安全关键应用中可信AI相关的技术。该论文将方法分为贝叶斯神经网络、蒙特卡洛Dropout、深度集成和单通道方法。它还回顾了用于总结不确定性的度量，并讨论了在大型语言模型中的应用，强调了开放的研究方向。
-
新方法利用代理模型增强神经集成搜索 · 跟踪到2个来源
研究人员开发了一种新的神经集成搜索（NES）方法，解决了优化单个模型架构及其集成组合的计算挑战。该方法利用两个独立的代理模型来估计预测准确性和多样性潜力，从而有效地指导搜索过程。这种双目标策略旨在识别单独强大且集体多样化的架构，在Fashion-MNIST、CIFAR-10和CIFAR-100等数据集上表现优于标准基线。
-
AI模型利用多模态数据预测甜椒产量
研究人员开发了一个新的多模态深度学习框架，用于预测单株植物可收获的甜椒数量。该系统结合了由DinoV3编码器处理的视觉数据和数值果实计数测量，并利用长短期记忆（LSTM）网络来捕捉时间模式。实验表明，与基线模型相比，均方根误差（RMSE）显著降低，并且该框架还使用深度集成（Deep Ensembles）和高斯负对数似然（Gaussian Negative Log-Likelihood）提供了校准的不确定性估计。
-
AI模型利用多模态数据预测甜椒产量
研究人员开发了一个新的多模态深度学习框架来预测甜椒的产量。该框架结合了通过DINOv3编码器处理的视觉数据和数字化的果实计数。利用长短期记忆（LSTM）网络捕捉时间模式，与基线方法相比，该模型显著降低了均方根误差（RMSE）。该系统还集成了深度集成和高斯负对数似然，以提供校准的不确定性估计，从而辅助农业决策。
-
新研究论文比较AI碰撞模拟不确定性方法
一篇新研究论文比较了两种不确定性量化方法——蒙特卡洛Dropout和深度集成——在AI驱动的碰撞模拟代理模型上的应用。该研究利用NVIDIA PhysicsNeMo和一个开源保险杠梁基准，引入了具体Dropout作为一种端到端学习Dropout率的方法。研究结果表明，在准确性和校准性之间存在权衡，这挑战了深度集成方法在代理模型不确定性量化方面总是更优的观点。
-
New method disentangles model and human uncertainty in facial age estimation
研究人员开发了一种方法，用于区分面部年龄估计任务中的模型不确定性和人类数据不确定性。通过在具有不同数据量的 APPA-REAL 数据集上训练贝叶斯神经网络，他们观察到认知不确定性（模型不确定性）随着数据的增加而减少，而随机不确定性（固有的数据噪声）保持稳定。这项工作展示了量化面部年龄估计中不同不确定性来源的能力。
-
AI模型可以学会表达不确定性，超越置信度分数
本文介绍了AI模型表达不确定性的概念，超越了简单的置信度分数。它提出了三种实现机制：蒙特卡洛Dropout、深度集成和分布外检测。目标是让模型拥有一个“声音”来表明它们何时不确定，从而实现一个可以触发人工干预的决策门，而不是依赖可能具有误导性的高置信度分数。
-
新的贝叶斯深度集成方法增强了预测回归
研究人员开发了一种新的贝叶斯深度集成方法，用于预测回归，该方法增强了可解释性并保持了强大的预测性能。该方法将贝叶斯推理与深度集成相结合，以提供校准的不确定性估计，使其适用于独立预测或集成到更大的学习系统中。主要特点包括低维集成表示、使用线性回归进行可解释权重的一阶贝叶斯聚合，以及神经网络的独立训练以提高鲁棒性和不确定性校准。在标准回归基准上的实证结果显示了具有竞争力的性能和可靠的不确定性估计。
-
新的CLEAR方法通过平衡风险来改进AI不确定性量化
研究人员推出了一种新颖的校准方法CLEAR，旨在通过解决回归任务中的偶然不确定性和认知不确定性来改进预测区间覆盖率。该方法利用两个独立的参数（γ1和γ2）来平衡这些不确定性组成部分。CLEAR具有通用性，可以与各种估计器集成，例如用于偶然不确定性的分位数回归，以及用于认知不确定性的深度集成或来自可预测性-可计算性-稳定性（PCS）框架的方法。在17个不同的数据集上，CLEAR在保持标称覆盖率的同时，在区间宽度方面比单独的基线校准平均提…
-
新的深度学习模型在无人工标注的情况下对天文瞬变体进行分类
研究人员开发了一种新颖的深度学习框架，用于将天文瞬变体分类为真实或虚假，而无需人工标注数据。该方法利用注入的模拟瞬变体和受污染的调查数据集，采用不对称协同教学来处理不同的标签噪声水平。该框架还结合了混合不确定性量化策略，结合MC Dropout和深度集成，为其分类提供校准的置信度。该方法旨在实现时域调查中可扩展且一致的真实-虚假分类，即使在标签有噪声或有限的情况下也是如此。
-
深度集成在多模态分类中优于后期融合
一篇新的研究论文提出使用单一模态神经网络的深度集成来进行多模态分类，挑战了传统的后期融合方法。研究表明，这些集成方法即使在处理模态不平衡方面，也始终优于最先进的后期融合方法。研究人员还开发了一种启发式方法，用于在集成中选择每种模态的最佳模型数量，避免了详尽的计算搜索。
-
深度集成在数据偏移下表现出线性模式连通性
研究人员调查了深度学习中线性模式连通性（LMC）的现象，特别是它如何受到图像分类器集成中数据偏移的影响。研究表明，数据偏移可以被视为一种随机梯度噪声，可以通过使用更小的学习率和更大的批量大小来缓解。这些参数会影响模型收敛到损失景观的相似或不同区域，从而影响训练效率和集成多样性之间的权衡。
-
深度学习模型在机械故障诊断中的不确定性评估
一篇新发表在arXiv上的研究论文探讨了各种深度学习模型在诊断旋转机械故障方面的有效性，特别关注它们处理不确定性的能力。该研究比较了基于dropout的方法、贝叶斯神经网络和深度集成模型等，评估了它们在检测由未见故障（认知不确定性）和噪声（随机不确定性）引起的分布外数据方面的性能。研究结果表明，深度集成模型在检测认知不确定性方面通常优于其他模型，同时在抵抗随机不确定性方面也表现出更强的鲁棒性，因此因其准确性和效率而成为首选。
-
一致性预测为物理模拟提供新的不确定性保证
研究人员将分裂一致性预测（split conformal prediction）创新性地应用于基于神经算子（neural operator）的物理模拟，提供了具有正式覆盖保证的无分布预测区间。该方法应用于稳态热传导基准测试，在 0.1 的 alpha 水平下实现了 89.1% 的经验覆盖率。该方法还提供了不确定性分解，区分了认知不确定性（epistemic uncertainty）和随机不确定性（aleatoric uncertain…
-
深度集成未能捕捉图神经网络中的不确定性
一项新的研究论文质疑了深度集成在图神经网络中进行不确定性量化的有效性。研究发现，集成模型相比单一模型在不确定性量化方面几乎没有改进，其收益主要来自稳定预测而非提高不确定性估计。这归因于“认知崩溃”，即独立训练的网络产生过于相似的预测，从而抵消了集成模型的核心优势。
-
新框架统一了不确定性感知的可解释人工智能
研究人员引入了一个新的可解释人工智能（XAI）框架，该框架纳入了不确定性感知，超越了确定性归因图。该方法将从贝叶斯神经网络派生的“解释分布”形式化，并提出算子来使用均值和方差等度量来总结该分布。该框架在电能质量扰动分类任务上进行了测试，结果表明，与确定性方法相比，带有均值算子的深度集成提高了定位精度，并揭示了标准归因中不存在的不确定性模式。