实体
Dirichlet distributions
Dirichlet distributions
PulseAugur coverage of Dirichlet distributions — every cluster mentioning Dirichlet distributions across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
New AI architecture ensures calibrated confidence with missing modalities
研究人员推出了一种新颖的架构——模态条件共形融合（MCCF），旨在即使在某些输入模态缺失的情况下，也能在多模态AI系统中保持校准的置信度估计。与将缺失数据视为预测准确性问题的先前方法不同，MCCF将对模态缺失的鲁棒性直接融入其设计中。该系统利用多模态瓶颈融合骨干网络、每模态证据头以及Dempster-Shafer组合规则来融合证据，确保缺失的模态不提供信息，而无需进行测试时插补。Mondrian共形校准模块进一步保证了在所有可用模态子…
-
新的证据深度学习方法增强了不确定性校准
研究人员推出了一种名为密度感知伪计数证据深度学习（DIP-EDL）的新型框架，旨在提高分类任务中的不确定性估计。该新方法为证据深度学习提供了原则性的统计解释，揭示了标准的EDL可能导致在分布外场景中过度自信。DIP-EDL通过将类别预测与不确定性幅度解耦来解决这个问题，从而在遇到新数据时实现更好的校准和鲁棒性。
-
新框架简化了用于不确定性估计的证据深度学习
研究人员开发了一个简化的证据深度学习（EDL）框架，使不确定性估计在计算上更有效率。这种新方法用在狄利克雷均值处评估的插件损失来近似EDL的目标，使用标准的深度学习工具更容易实现。该框架将标准softmax分类器作为一个特例，并在Google Speech Commands数据集上进行了验证，取得了与经典EDL相当的性能。