Evidential Deep Learning to Quantify Classification Uncertainty
PulseAugur coverage of Evidential Deep Learning to Quantify Classification Uncertainty — every cluster mentioning Evidential Deep Learning to Quantify Classification Uncertainty across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。