贝叶斯神经网络相关 AI 资讯 · AI 热点

8月12日

18:13

18:13

官方账号arXiv cs.LG@Sepideh Saran, Mahsa Ghanbari, Uwe Ohler

该研究对基因组学中深度学习模型的不确定性量化方法进行了系统比较，涵盖Deep Ensembles、贝叶斯神经网络和MC-dropout。实验基于序列到活性模型和单细胞表达分析两类任务，评估了不同方法在类别不平衡和分布外数据下的表现。结果显示贝叶斯神经网络在捕获不确定性方面更优，尽管计算成本较高。研究还展示了不确定性分数在蛋白质-RNA相互作用预测中的应用。

论文不确定性量化基因组学贝叶斯神经网络

推荐理由：想知道基因组学里哪个不确定性方法靠谱？这篇实证对比了三种主流方法，贝叶斯网络在类别不平衡时表现最好，还教你怎么用不确定性挑高质量预测。

7月31日

11:08

11:08

官方账号arXiv cs.LG@H. Martin Gillis, Thomas Trappenberg

这篇综述系统梳理了深度学习中的不确定性量化（UQ）方法，聚焦集成近似和近似贝叶斯两大类。作者将方法分为五个家族：贝叶斯神经网络、蒙特卡洛Dropout、深度集成、高效集成近似以及最后一层或单次前向方法。文中同时讨论了证据网络、保形预测、事后校准，以及分布外检测和选择性预测。综述还对比了熵分解与成对散度度量，并单独讨论了大型语言模型中的不确定性。

论文不确定性量化深度学习贝叶斯神经网络

推荐理由：想搞清深度模型怎么给出靠谱置信度？这篇把贝叶斯、Dropout、集成、单次前向等方法全梳理了一遍，还讲了各自局限，适合入门和选型参考。

5月25日

10:03

10:03

官方账号arXiv 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 Dropout Dirichlet分布

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。

5月21日

10:22

10:22

官方账号arXiv 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

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。