epistemic uncertainty
PulseAugur coverage of epistemic uncertainty — every cluster mentioning epistemic uncertainty across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。