Evidential Deep Learning
PulseAugur coverage of Evidential Deep Learning — every cluster mentioning Evidential Deep Learning across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的证据深度学习方法改进了分割中的OOD检测
研究人员开发了一种新颖的方法，通过在证据深度学习（EDL）框架中利用基于Wasserstein的目标来改进语义分割网络中的分布外（OOD）检测。该方法旨在通过更可靠地识别不熟悉的对象来提高自动驾驶等关键应用的安全性。研究探讨了不同Wasserstein阶数对分割准确性和OOD检测的影响，发现最佳阶数取决于网络架构，并且仅需一次前向传播即可超越现有基线。
-
新的 C-EDL 方法提高了深度学习模型对抗输入的能力
研究人员开发了冲突感知证据深度学习 (C-EDL)，这是一种提高深度学习模型可靠性的新方法。C-EDL 是一种事后方法，无需重新训练模型即可增强模型对抗对抗性和分布外输入的鲁棒性。它通过生成输入的多样化、保留任务的转换并分析表示差异来校准不确定性估计。实验表明，C-EDL 在保持高准确率和低计算开销的同时，显著减少了对分布外和对抗性数据的检测。
-
新的CLEAR方法提高了证据深度学习的鲁棒性
研究人员开发了CLEAR，这是一种旨在增强证据深度学习模型鲁棒性的新型事后方法。该技术通过分析使用校准数据的模型潜在空间来改进不确定性量化。在推理时，CLEAR在潜在空间中生成扰动视图并测量它们的冲突，利用高冲突来降低不受支持输入的证据强度，同时保留一致输入的证据强度。CLEAR在ImageNet到CUB等基准测试中，在分布外准确性和对抗性准确性方面均显示出显著的改进，同时速度也比现有方法快得多。
-
证据深度学习增强多模态反无人机检测
研究人员探索了证据深度学习（EDL）在改进多模态反无人机检测系统中的应用。第一篇论文在AntiUAV600、TRIDENT和MM-UAV等基准上研究了EDL头和Dempster-Shafer融合，发现EDL训练目标提高了准确性。第二篇论文将EDL扩展到RGB-热融合，在Anti-UAV基准上使用折扣信念融合（DBF），展示了准确性和实时性能的提高，尽管由于该特定数据集几乎普遍存在冲突，DBF的冲突折扣机制在该数据集上表现不活跃。
-
新的审计框架质疑超声AI分类器的复杂性
一篇新的研究论文介绍了一个受控审计框架，用于评估不确定性感知多器官超声分类器的架构复杂性。该研究将一个复杂的模型Full-EDL与更简单的替代模型进行了比较，发现在主要和复制数据集上，更简单的模型Simple-CE+TS表现相当。研究表明，组件应基于功能证据和对校准及分布偏移可靠性的单独评估来保留。
-
新研究探索不确定性量化和轻量级模型在语义分割中的应用
研究人员正在探索提高语义分割模型可靠性和鲁棒性的方法，尤其是在安全关键型应用中。一篇论文研究了不确定性量化（UQ）技术与SAM2和DPT等基础模型的集成，评估了准确性、校准和计算成本之间的权衡。另一项研究考察了CutMix数据增强策略对分割模型的影响，发现它在不显著影响准确性的情况下提高了可靠性和校准。第三篇论文介绍了一种名为SiConMo的轻量级框架，通过在瓶颈阶段进行上下文建模来平衡准确性和效率，展示了强大的准确性-效率权衡。
-
新的冯·米塞斯集成方法改进了汽车雷达的不确定性量化
研究人员开发了一种新的汽车雷达系统不确定性量化方法，使用冯·米塞斯（VM）集成，与证据深度学习（EDL）相比，该方法提供了更好的可解释性和几何一致性。VM集成提供了角度预测参数（mu，kappa），可以直接进行概率集成到检测和跟踪流程中。虽然EDL显示出更平滑的不确定性变化，但VM方法在名义条件下表现更好，并且对严重扰动更敏感，突显了几何一致性与统计通用性之间的权衡。
-
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。
-
新框架可视化深度学习模型不确定性
研究人员引入了一个名为不确定性激活图（UAM）的新框架，用于可视化深度学习模型中的不确定性。该方法结合了证据深度学习和全梯度类激活映射，创建空间图来突出输入数据中缺失或冲突证据的区域。UAM框架区分了空缺（证据不足）和不协调（证据冲突），为安全关键应用的模型的可靠性提供了更具可解释性的理解。
-
新研究通过证据深度学习改进AI不确定性估计
两篇新研究论文提出了证据深度学习（EDL）的改进，这是一种量化AI预测不确定性的方法。第一篇论文《证据深度学习的变分推断》引入了一个框架，通过使用变分推断来防止证据过度增长并提供理论保证，从而解决了原始EDL的局限性。第二篇论文《广义证据深度学习：从贝叶斯视角出发》通过在广义贝叶斯框架内解释EDL，为其提供了统一的理论基础，并提出了GEDL模型。这两种方法都旨在改进AI系统中的不确定性估计和分布外检测，实验结果证明了它们的有效性。
-
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。
-
AI模型对野火烟雾密度进行分类并提供不确定性估计
研究人员开发了一个新的深度学习框架，用于从卫星图像中对野火烟雾密度进行分类，将其分为轻度、中度和重度。与之前仅提供点估计的方法不同，该模型能够一次性提供分解后的认知不确定性和偶然不确定性估计。该系统在超过16,000个卫星图像块上进行了评估，取得了高精度，并证明了不确定性随着图像质量下降而增加，其中中度烟雾类别表现出最高认知不确定性。
-
新研究揭示AI模型OOD检测评估方法存在缺陷
一篇新发表在arXiv上的论文，对证据深度学习（EDL）中关于分布外（OOD）检测的评估提出了一个关键发现。研究表明，常用的“空洞性”（vacuity）指标对分布内（ID）和OOD数据集之间类别基数（class cardinality）的差异非常敏感。这种敏感性即使在模型预测保持不变的情况下，也能人为地提高AUROC和AUPR等评估分数。该论文主张对ID和OOD进行更精确的定义，特别是在使用MCQA数据集评估因果语言模型上的EDL时。
-
GEM-FI: Gated Evidential Mixtures with Fisher Modulation
研究人员推出 GEM-FI，这是一类旨在提高深度学习中不确定性估计的新模型。该方法解决了现有证据深度学习方法的一些局限性，这些方法可能过于自信且无法表示多模态不确定性。GEM-FI 利用门控机制和证据头混合，以提供更准确和校准的不确定性估计，尤其是在图像分类和分布外检测任务中。
-
新框架使用证据深度学习进行不确定性感知的行人属性识别
研究人员开发了UAPAR，一种用于行人属性识别的新型框架，该框架结合了证据深度学习（EDL）来评估预测的可靠性。与传统的确定性方法不同，这种方法旨在通过识别不可靠的预测来提高复杂环境下的系统鲁棒性。UAPAR利用基于CLIP的架构，并结合了区域感知证据推理模块和证据头来估计属性级别的认知不确定性，并采用不确定性引导的课程学习策略来减轻标签噪声。
-
CMGL框架通过置信度引导的多组学图学习改进癌症亚型分类
研究人员开发了CMGL，一种用于癌症亚型分类的新型框架，该框架利用多组学数据。这种两阶段方法首先使用证据深度学习估计每个患者不同组学模态的可靠性。然后，这些置信度分数指导组学数据的融合和患者相似性图的构建，从而提高癌症亚型分类的准确性。CMGL在多项癌症任务中表现出优越的性能，包括一个32类全癌分类任务，并显示出将学习到的表示转移到新癌症类型的潜力。