PulseAugur
中
实时 17:12:35
实体 Monte Carlo Dropout

Monte Carlo Dropout

PulseAugur coverage of Monte Carlo Dropout — every cluster mentioning Monte Carlo Dropout across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
8
90 天内 40
发布 · 30天
0
90 天内 0
论文 · 30天
8
90 天内 40
层级分布 · 90 天
主题
关系
情绪 · 30 天

4 天有情绪数据

最近 · 第 1/3 页 · 共 43 条
  1. TOOL · CL_368352 ·

    新的深度集成学习框架应对分类挑战

    本文介绍了一种用于多类别分类任务的深度集成学习新框架。它通过提出使用紧凑型集成(如贝叶斯神经网络和具有蒙特卡洛 Dropout 的卷积神经网络)来解决训练效率和存储方面的挑战。这些方法生成概率预测,然后用于定义代表性分布,优化统计距离。该分布有助于找到各种效用的贝叶斯最优预测 (BOP),包括为鲁棒的、集值的 BOP 设计的一系列集效用。

  2. TOOL · CL_366322 ·

    新研究比较 ADMET 预测的不确定性量化方法

    一篇新的研究论文评估了 22 个数据集上预测 ADMET 属性的十一种不确定性量化方法。研究发现,集成蒙特卡洛 dropout 在整体性能、Brier 分数和区间分数方面平均表现最佳。然而,LightGBM 在预测性能和 Brier 分数方面在单个数据集上也表现强劲,尽管它在某些端点上遇到困难。该研究强调了在多个化学分区和统计分析中进行全面评估的重要性,以避免从有限的比较中得出结论。

  3. RESEARCH · CL_363830 ·

    新的证据深度学习模型通过自主水面航行器增强溢油监测

    研究人员开发了一种使用自主水面航行器(ASVs)船队监测溢油的新方法。该研究将证据深度学习(EDL)作为一种优于高斯过程、蒙特卡洛丢弃和深度集成的不确定性校准信息模型。在模拟中,EDL显著降低了重建误差并提高了准确性,运行速度更快,并且需要更少的数据点即可进行有效绘图。

  4. TOOL · CL_327521 ·

    新的物理信息神经网络解决了高维检测问题

    研究人员开发了QD-PINN,这是一个利用物理信息神经网络(PINNs)的新框架,用于解决高维扩散过程中贝叶斯最快检测问题的挑战。该方法通过建立自由边界偏微分方程与无限维随机优化问题之间的等价性,克服了维度灾难。通过深度集成和蒙特卡洛丢弃进行不确定性量化,进一步证明了该框架的鲁棒性,显示出停止边界的稳定和一致的估计。

  5. TOOL · CL_307954 ·

    AI框架利用合成数据增强结构健康监测

    研究人员为航空航天应用的结构健康监测开发了一个新颖的数据增强框架。该框架利用条件生成对抗网络和蒙特卡洛丢弃来生成合成结构响应数据,从而实现不确定性量化。所生成的数据与BAE Systems Hawk T1A飞机上的实验测量数据进行了严格比较,证明了其准确捕捉结构动力学和提供有意义的不确定性估计的能力。该研究表明,该框架可以作为数据驱动的结构健康监测在安全关键系统中的可靠数字孪生组件。

  6. TOOL · CL_301239 ·

    新的对比不确定性学习提高了MRI分割精度

    研究人员开发了一种名为对比不确定性学习(CUL)的新框架,以提高前列腺MRI解剖结构分割的准确性。CUL利用预测不确定性来指导表示学习,区分可靠区域和模糊区域。该方法在大型数据集上使用带有UperNet架构的ViT进行了测试,显示出可比的整体准确性,但在关键解剖结构上的表面距离误差显著降低。消融研究证实了不确定性引导采样和对比目标对于CUL提高分割鲁棒性的有效性是必要的。

  7. TOOL · CL_286976 ·

    新框架提高了工程逆向设计中的数据效率

    研究人员开发了一个名为 CoNN-AL 的新框架,以解决工程逆向设计问题中数据采集成本高昂的问题。该框架将流式主动学习与带有去噪自动编码器的协同神经网络 (CoNN-DAE) 相结合,以有效地选择最具信息量的样本进行标记。在大型汽车玻璃导槽数据集上进行测试,CoNN-AL 使用的标签数量远少于随机抽样,就达到了很高的 R 方值,证明了其在数据高效设计方面的有效性。

  8. TOOL · CL_284663 ·

    连接组图学习需要不确定性量化来获得值得信赖的生物标志物

    一篇新发表在arXiv上的论文探讨了在应用于连接组学图学习模型中不确定性量化(UQ)的关键需求。研究强调,尽管像图注意力网络(GATs)这样的模型可以达到很高的诊断准确性,但它们在预测时常常表现出严重的过度自信。一项使用SUDMEX CONN数据集进行可卡因依赖分类的案例研究证明了这个问题,其中被错误分类的受试者获得了高置信度分数。该论文认为,严格的UQ和校准机制对于在临床神经科学中开发值得信赖的生物标志物至关重要。

  9. TOOL · CL_273297 ·

    AI不确定性量化评估,助力值得信赖的胶质瘤诊断

    研究人员开发了一种面向任务的评估策略,用于评估用于胶质瘤诊断的AI系统中的不确定性量化(UQ)。该系统使用MRI数据。该研究聚焦于一个多任务深度学习框架,该框架可执行肿瘤分割并预测IDH突变状态、1p/19q联合缺失状态和肿瘤分级。研究评估了蒙特卡洛Dropout(MCD)、深度集成(DE)和蒙特卡洛深度集成(MCDE)等方法在不同诊断任务中检测错误、保持校准和提供可解释不确定性估计的能力。研究结果表明,虽然不确定性估计有助于错误检测…

  10. TOOL · CL_268814 ·

    联邦学习框架通过不确定性感知增强婴儿运动分析

    研究人员开发了一种新颖的联邦学习框架,用于分析婴儿运动,解决了临床环境中的隐私问题。该框架利用不确定性感知联邦平均(UA-FedAvg)算法,根据预测不确定性调整客户端贡献,不确定性使用蒙特卡洛Dropout进行估计。实验表明,与本地模型相比,这种联邦方法显著提高了分类性能,并接近集中式训练的准确性。

  11. TOOL · CL_245094 ·

    新的基础模型IPM-FM面向工业过程监控

    研究人员开发了IPM-FM,这是一种新颖的、专为工业过程监控而设计的基础模型。该模型利用在未标记工业数据上的自监督预训练来学习通用表示,然后针对标记数据有限的特定监控任务进行微调。IPM-FM集成了Informer骨干网络、共识特征选择器和感知不确定性的预测头,以提供校准的预测并处理安全关键决策和非对称采样等领域特定挑战。

  12. TOOL · CL_229309 ·

    ToxLens框架通过泄漏感知学习增强分子毒性预测能力

    研究人员开发了ToxLens,一个新颖的图学习框架,旨在提高分子毒性预测的准确性和可靠性。该框架通过实施泄漏感知数据拆分和不确定性校准,解决了传统基准测试中性能被夸大的问题。ToxLens集成了多个图和全局特征编码器,利用蒙特卡洛Dropout进行概率预测,并结合SHAP分析进行毒效团发现,最终目标是在优先进行实验测试的化合物方面提供更实用的价值。

  13. RESEARCH · CL_229391 ·

    AI天气模型Aardvark采用概率方法,归因预报不确定性

    研究人员开发了Aardvark天气模型(一个端到端的AI天气预报系统)的概率版本。通过在观测编码器中引入学习到的噪声和在处理器中引入蒙特卡洛Dropout,该模型现在可以将预报不确定性归因于观测误差(aleatoric)或模型动力学(epistemic)。这种概率微调不仅平均将预报提高了4.2%,还提供了一个校准的集合,其准确性可与业务模型相媲美,并提供了对预报来源的更大透明度。

  14. RESEARCH · CL_210276 ·

    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。

  15. TOOL · CL_206673 ·

    AI模型增强糖尿病视网膜病变分级的不确定性感知能力

    研究人员开发了一种新的自动化糖尿病视网膜病变(DR)分级流程,该流程整合了病灶感知预处理、序数预测和不确定性估计。该系统使用特定的特征表示、EfficientNetV2-L序数回归器以及用于不确定性驱动转诊的蒙特卡洛Dropout。该方法旨在通过提供高准确度、校准的不确定性和可视化解释来支持可靠的诊断系统,在APTOS-2019测试集上达到了91.31%的QWK。

  16. TOOL · CL_206515 ·

    新研究质疑弗雷歇起始距离的可靠性

    一篇新发布的arXiv论文探讨了常用于评估合成图像质量的弗雷歇起始距离(FID)指标的可靠性。该研究由Ciaran Bench撰写,调查了随机嵌入表示,特别是通过蒙特卡洛Dropout,如何揭示FID中的预测方差。这些方差与测试输入的分布外情况相对于训练数据的关系相关,为评估图像特征的FID的可靠性提供了见解,尤其是在诸如医学成像等领域,在这些领域,在ImageNet1K上预训练的InceptionV3等模型可能不是理想选择。

  17. TOOL · CL_206449 ·

    AI不确定性指标在肺结节存在歧义方面失效

    一篇新的arXiv论文研究了深度学习中随机不确定性估计在3D肺结节分割中的有效性。研究发现,基于熵的标准不确定性度量虽然与边界噪声相关,但不能充分捕捉关于结节存在的临床显著歧义。研究人员证明,一个简单的、在现有分割特征上训练的监督歧义头,其性能显著优于基于熵的方法,甚至能媲美更复杂的歧义建模技术。这表明,在安全关键的医疗应用中,当前的随机不确定性方法可能不是临床歧义的可靠代理。

  18. TOOL · CL_206241 ·

    新方法ProteoKnight使用图像编码进行噬菌体蛋白分类

    研究人员开发了ProteoKnight,一种新颖的基于图像的编码方法,用于对噬菌体病毒颗粒蛋白(PVP)进行分类。该技术改编了DNA-Walk算法来捕捉复杂的蛋白质特征,在二元分类中达到了90.8%的准确率,与现有的最先进方法具有竞争力。该研究还结合了蒙特卡洛Dropout来分析预测不确定性,显示置信度因蛋白质类别和序列长度而异。

  19. TOOL · CL_200214 ·

    新的贝叶斯解释方法提高了电能质量扰动分类器的可靠性

    本文介绍了一种新颖的后验贝叶斯解释方法,用于深度学习分类器在电能质量扰动识别中的应用。该方法采用拉普拉斯近似来有效地推导出近似参数后验,从而能够生成扰动定位图的分布。这种方法提供了具有可靠性度量的解释,能够锐化特定事件的定位,并指示在噪声或域偏移下的解释分散性。

  20. TOOL · CL_198038 ·

    新的集成深度学习框架提高了皮肤病变分类的准确性

    研究人员开发了一种新的深度学习框架,用于对医学图像中的皮肤病变进行分类。该框架结合了 Vision Transformer 模型 MaxViT-Tiny 和两个卷积神经网络模型 ConvNeXt-Tiny 和 EfficientNetV2-B0,并使用了深度集成学习。该系统集成了蒙特卡洛 Dropout 来估计预测不确定性,并使用 Grad-CAM++ 进行可视化解释,突出显示图像中对分类决策有贡献的区域。在 HAM10000 数据集…