AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：贝叶斯神经网络×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
5月25日
10:03
10:03arXiv cs.LG@Rouaa Hoblos, Noura Dridi, Noureddine Zerhouni, Zeina Al Masry
传统神经网络缺乏不确定性估计能力，而贝叶斯神经网络计算复杂。蒙特卡洛 Dropout 通过多次随机前向传播近似贝叶斯推理，但不确定性表示不够精细。本文提出将 Dirichlet 分布框架集成到 MC Dropout 中，利用 Sensoy 等人的方法建模类别概率，从而获得更丰富的不确定性信息。该方法在保持 MC Dropout 计算效率的同时，显著提升了不确定性估计的校准质量。实验表明，该方法能生成良好校准的不确定性估计，为不确定性感知的深度学习提供了实用方案。
论文不确定性估计MC DropoutDirichlet分布贝叶斯神经网络校准
推荐理由：做模型可靠性或安全关键应用的团队，终于有了一个既高效又精准的不确定性量化工具——在 MC Dropout 基础上加 Dirichlet 分布，校准效果更好，值得在分类任务中试试。
原文
5月21日
10:22
10:22arXiv cs.LG@Yinsong Chen, Samson S. Yu, Zhong Li, Chee Peng Lim
精选
该论文提出一个统一框架，将贝叶斯神经网络（BNN）后验分布通过Lipschitz连续归因算子映射为解释分布，并引入不确定性感知相关性归因算子（UA-RAO），利用均值、方差、变异系数、分位数和集合聚合度量来总结解释分布。理论部分提供了蒙特卡洛可达性和Wasserstein近似界限。在15类电能质量扰动分类基准上，深度集成与均值UA-RAO相比确定性基线提升了定位性能，其他UA-RAO摘要揭示了点估计归因中缺失的不确定性模式。该框架是领域无关的，可应用于任何BNN与Lipschitz连续归因算子的组合。
论文可解释AI贝叶斯神经网络不确定性量化归因算子电能质量
推荐理由：该框架解决了XAI方法缺乏不确定性量化的问题，做可解释AI或电力系统故障诊断的研究者可以直接参考其理论证明和实验设计。
原文