MC Dropout
PulseAugur coverage of MC Dropout — every cluster mentioning MC Dropout across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的强化学习框架通过不确定性估计增强交易信心
研究人员开发了一种新的算法交易强化学习（RL）框架，该框架包含综合不确定性估计。该方法通过整合分布不确定性、认知不确定性和随机不确定性来应对动态金融市场的挑战。该框架使用 SHAP 加权重建不确定性、MC Dropout 和基于 LSTM 的技术指标共识等方法来增强不确定性估计。在美国股指上的实验表明，与传统模型相比，具有此不确定性估计的强化学习代理显著提高了回报和风险管理。
-
Heckman校正改进了机器学习模型的不确定性校准
研究人员开发了一种新方法来解决机器学习模型中的认知不确定性问题，特别是在训练数据存在选择偏差时。该技术借鉴了源自计量经济学的Heckman校正方法，联合建模选择过程和结果，校正影响两者的未观测变量。实验表明，当选择偏差较高时，重要性加权等标准方法无法保持准确的置信区间，而Heckman校正方法显著提高了校准精度。
-
新的深度学习模型在无人工标注的情况下对天文瞬变体进行分类
研究人员开发了一种新颖的深度学习框架，用于将天文瞬变体分类为真实或虚假，而无需人工标注数据。该方法利用注入的模拟瞬变体和受污染的调查数据集，采用不对称协同教学来处理不同的标签噪声水平。该框架还结合了混合不确定性量化策略，结合MC Dropout和深度集成，为其分类提供校准的置信度。该方法旨在实现时域调查中可扩展且一致的真实-虚假分类，即使在标签有噪声或有限的情况下也是如此。
-
研究发现贝叶斯深度学习评估在低数据设置下不稳定
两篇新的arXiv论文强调了贝叶斯深度学习方法的评估存在显著不稳定性，尤其是在数据稀缺的情况下。研究人员发现，标准的评估指标会产生不可靠且依赖于数据集的排名，这意味着一种方法的优越性会因具体数据集和样本量的大小而大相径庭。这些研究表明，当前的评估实践可能会误导实践者，并提出使用不确定性感知方法和报告方差轨迹来提供更稳健的模型性能评估。