energy score
PulseAugur coverage of energy score — every cluster mentioning energy score across labs, papers, and developer communities, ranked by signal.
-
新方法通过内部频谱分析检测神经网络故障
研究人员发现了一种称为“频谱漂移”的现象，其中神经网络的错误分类表现出内部激活特征不稳定性，而在输出层并不明显。这种频谱特征在内部处理过程中出现，但在最终输出中被掩盖，使得基于置信度的检测方法难以奏效。为解决此问题，开发了一个名为“自检测神经网络”（SDNN）的框架，该框架利用短时傅里叶变换和小波分解等频谱分析技术来监测网络内部动态。在CIFAR-10上的实验表明，SDNN的AUROC显著高于传统的基于置信度的基线方法。
-
新训练方法改进了成本敏感型预测的生成模型
研究人员推出了一种名为决策感知训练的新训练方法，用于样本生成模型。该方法旨在通过将决策者的成本结构直接纳入训练目标来改进高风险场景下的概率预测。与侧重于数据密度的传统方法不同，决策感知训练通过可微分决策损失来增强能量得分，直接惩罚代价高昂的预测错误。该方法已在合成任务和真实世界任务中得到验证，在成本敏感领域取得了针对性的改进，同时保持了完整的概率预测。
-
新方法使用 proper scoring rules 学习概率滤波器
研究人员开发了一种名为 proper scoring ensemble filter (PSEF) 的新方法，用于动态系统的贝叶斯滤波。这种基于 transformer 的映射使用合成状态-观测轨迹来近似滤波分布，并使用严格 proper scoring rules（例如 energy score）进行训练，以奖励概率准确性。数值实验表明，PSEF 可以准确地近似复杂的滤波分布，包括非线性、非高斯和多模态后验分布，在数据同化任务中优于…