epistemic uncertainty
PulseAugur coverage of epistemic uncertainty — every cluster mentioning epistemic uncertainty across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Credal 机器学习在 AI 决策中提供可靠的风险规避能力
研究人员开发了一种名为 Credal 机器学习的新方法，以解决机器学习应用中风险规避的决策问题。该方法旨在通过最小化条件风险价值 (CVaR) 来减少损失，而不是仅仅关注平均性能。该方法使用 Credal 集（概率分布的集合）来表示认知不确定性，并包含一种用于最小化 CVaR 的新颖决策规则。在分类、分布变化和强化学习中的实验表明，该技术在保持良好预期性能的同时，能够可靠地避免灾难性决策。
-
新框架评估节点分类中的认知不确定性降低
研究人员开发了一个新的统计框架来研究节点分类中的认知不确定性，重点关注随着数据生成过程信息的可用性增加，不确定性如何降低。现有的图证据深度学习（EDL）方法被发现通过超参数调节不确定性，而不是直接估计数据不确定性，在信息增长下未能通过一致性测试。作为替代，提出了图自举集成方法，该方法通过重采样和随机训练捕获数据和过程不确定性，展示了超越标准深度集成方法的认知不确定性降低。
-
新方法整合深度学习中的偶然性和认知不确定性
研究人员开发了一种用于深度学习模型不确定性量化（UQ）的新方法，特别适用于高维输出空间。该方法联合建模偶然性不确定性（解释数据噪声）和认知不确定性（反映模型置信度）。通过用低秩加对角协方差结构近似联合不确定性，该方法在没有完整协方差矩阵的计算开销的情况下捕获了重要的输出相关性。这种统一的二阶分布支持稳健的下游分析，并在图像修复、着色、光流和深度估计等任务中展示了卓越的 UQ 性能。
-
人工智能不确定性量化：分类、验证和可信度
arXiv上的一篇新论文“物理学和人工智能中的不确定性：分类、量化和验证”，作者是Ramon Winterhalder等人，为物理学应用中的机器学习不确定性量化提供了结构化概述。它引入了一个统一的不确定性分类法，在频率学和贝叶斯框架内区分预测不确定性和推理不确定性。该论文还详细介绍了覆盖率、校准和适当评分规则等验证工具，并用回归和分类示例说明了它们的用法。同时，Karthik Amirapu在dev.to上发表的一篇题为“人工智能中的…
-
新不确定性量化框架源于主观风险分解
研究人员通过提出一种新观点，即不确定性度量并非基础性的，而是源于更高级别的建模决策，从而引入了不确定性量化（UQ）的新视角。该框架展示了如何通过分解主观风险，并使用严格的 Proper Loss 函数来获得认知不确定性和偶然不确定性。该方法在共同的理论基础上统一了各种 UQ 度量，并根据特定的建模场景和损失函数提出了实用的 UQ 方法。此外，该研究将此观点扩展到学习理论，分析了超额风险、近似误差和估计误差的主观风险类似物，并将它们与 …
-
新研究推进共识预测以进行不确定性量化 · 跟踪 5 个来源
研究人员开发了共识预测的新方法，这是一种用于量化机器学习模型不确定性的框架。一篇论文提出了概率伯努利预测集（BPS），它可以表达偶然性和认知不确定性，并为有效的可信集实现条件覆盖。另一种方法侧重于在再生核希尔伯特空间（RKHS）内有效地逼近完整的共识预测区域。此外，还引入了一个名为 RoBAS 的鲁棒贝叶斯辅助共识预测框架，该框架能够适应贝叶斯先验的可靠性，从而生成有效的预测集，尤其是在分布偏移的情况下。
-
研究论文分析过参数化神经网络中的认知不确定性
一篇新的研究论文探讨了过参数化神经网络中的认知不确定性，挑战了传统观点认为这种不确定性会随着数据量的增加而减小。研究强调，由于对称性等原因在这些网络中常见的不可识别模型参数，即使在底层函数完全被理解的情况下，也可能导致持续的不确定性。该研究分析了这种残余不确定性的离散和连续来源，重点关注单隐藏层ReLU网络，并通过实证研究验证了理论发现。