Dirichlet distribution
PulseAugur coverage of Dirichlet distribution — every cluster mentioning Dirichlet distribution across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的证据对抗训练提高了人工智能的鲁棒性和不确定性
研究人员推出了一种名为证据对抗训练（EV-AT）的新方法，旨在提高神经网络预测不确定性的鲁棒性和可靠性，特别适用于安全关键型应用。该方法解决了对抗训练提高准确性但损害不确定性估计的常见问题。EV-AT 利用狄利克雷分布来模拟不确定性，并结合了用于干净准确性和可靠不确定性的基于证据的损失，以及匹配干净和对抗性预测的鲁棒证据对齐损失。实验表明，EV-AT 在平衡鲁棒性和不确定性方面优于现有的对抗训练方法。
-
新AEGIS框架增强视觉传感器中的对抗性检测
研究人员开发了AEGIS，一个旨在增强视觉传感器网络中对抗性检测鲁棒性的新框架。该系统集成了SemantiGAN模块，用于对不一致的输入进行语义区分，以及一个利用Dirichlet分布的Evidential Deep Learning分类器，该分类器在预测的同时提供校准的不确定性估计。在Tiny ImageNet数据集上的评估表明，AEGIS在检测各种对抗性攻击方面表现出色，取得了高AUROC、AUPRC和准确率分数。
-
新方法改进了具有潜在狄利克雷协变量的回归推断
研究人员开发了一种新的基于矩的回归分析推断方法，该方法利用潜在狄利克雷协变量。该方法解决了使用主题模型输出来作为回归输入时出现的推断挑战，特别是主题估计中的不确定性传播。该方法通过直接识别回归系数来纠正这些问题，而无需估计文档级主题份额，并且还通过算子交换性识别狄利克雷分布的未知总浓度参数。
-
新方法增强神经网络不确定性估计
研究人员开发了一种新方法，通过将基于Dirichlet的框架与Monte Carlo Dropout相结合，来改进神经网络中的不确定性估计。该方法旨在提供更具信息量的不确定性表示，同时保持现有技术的计算效率。该方法被提出作为一种实用的解决方案，用于创建能够感知其预测不确定性的深度学习模型。