subjective logic
PulseAugur coverage of subjective logic — every cluster mentioning subjective logic across labs, papers, and developer communities, ranked by signal.
-
新的UASPL方法通过不确定性估计增强AI学习
研究人员推出了一种名为不确定性感知自步学习（UASPL）的新方法，该方法通过将预测可靠性整合到样本选择中来增强自步学习范式。与仅依赖损失值的传统方法不同，UASPL利用证据神经网络和主观逻辑框架来量化不确定性。该方法确保所选样本不仅损失低，而且可靠，从而在各种数据集上提高分类性能、可解释性和泛化能力。UASPL的源代码是公开可用的。
-
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。
-
新框架对神经网络中的信任进行建模和传播
一个名为 PaTAS 的新框架已被开发出来，用于使用主观逻辑在神经网络中建模和传播信任。该系统与标准的神经网络计算并行运行，采用信任节点（Trust Nodes）和信任函数（Trust Functions）来评估和传递与输入、参数和激活相关的信任水平。PaTAS 包括在训练期间优化参数可靠性的机制，以及在推理期间计算实例特定信任值的机制，证明了其提供可解释的信任估计的能力，这些估计可以补充准确性指标并突出数据中的可靠性问题。
-
新方法利用运行时数据动态更新人工智能安全置信度
研究人员开发了一种使用主观逻辑的新方法，可在运行时动态更新人工智能安全论证的置信度。该方法整合了设计阶段的证据和实时性能指标，以持续评估和调整安全声明。该系统旨在做出响应，及时惩罚违规行为，同时在维持安全时提高置信度，这一点已通过模拟的施工区域辅助功能得到证明。