딥러닝의 불확실성 정량화를 위한 포괄적인 프레임워크, Lightning UQ Box
Lightning UQ Box는 다양한 딥러닝 작업에서 불확실성 정량화(UQ)를 단순화하고 표준화하여 실질적인 적용을 위한 딥러닝 모델의 신뢰성과 견고성을 향상시키는 것을 목표로 하는 포괄적인 프레임워크입니다.
자연어 처리의 불확실성에 관하여
딥 러닝 기반 자연어 처리 시스템의 신뢰성을 높이기 위해서는 모델 예측의 불확실성을 정량화하고, 이를 줄이기 위한 연구가 필요하다.
단층촬영 영상에서 영역 계수에 대한 투영으로부터의 불확실성 전파: 방사성 의약품 선량 측정에의 적용
단층촬영 영상에서 방사성 의약품 선량 측정의 정확성을 높이기 위해 투영 데이터의 포아송 노이즈를 고려한 새로운 불확실성 전파 알고리즘을 제시하고, 팬텀 및 환자 데이터를 이용하여 검증했습니다.
역문제에 대한 분포 독립적 불확실성 정량화: 약한 중력 렌즈 질량 매핑에 대한 적용
본 논문에서는 역문제, 특히 약한 중력 렌즈 질량 매핑에서 분포 독립적인 불확실성 정량화(UQ) 방법을 제시하고, 이를 통해 데이터 분포에 대한 사전 가정 없이도 재구성된 결과의 신뢰 구간을 얻을 수 있음을 보여줍니다.
예측 중심의 불확실성 정량화: 최대 평균 불일치(MMD) 기반 접근 방식
결정론적 모델의 예측 불확실성을 정확하게 정량화하기 위해, 데이터 적합도 대신 예측 적합도를 기반으로 하는 새로운 접근 방식인 PCUQ를 제안한다.
자연어 생성에서 주관적 불확실성 정량화 및 보정에 관하여
자연어 생성 모델의 불확실성을 정량화하고 보정하는 데 있어 작업 특성을 고려한 유틸리티 기반 접근 방식의 중요성과 효과를 강조합니다.
그래프 분류를 위한 조건부 예측 ROC 밴드: 텐서화된 그래프 신경망의 불확실성 정량화 및 공변량 변화에 대한 견고성
본 논문에서는 그래프 분류 작업에서 ROC 곡선의 불확실성을 정량화하기 위해 TGNN(Tensorized Graph Neural Networks)을 위해 설계된 새로운 방법인 CP-ROC 밴드를 제안합니다. CP-ROC 밴드는 다양한 신경망에 적용 가능하며, 공변량 변화로 인한 불확실성 정량화 문제를 해결합니다. 본 방법의 효과는 예측 안정성 및 효율성 향상을 보여주는 광범위한 평가를 통해 입증되었습니다.
텐서화된 토폴로지 신경망을 위한 조건부 불확실성 정량화
그래프 구조 데이터의 불확실성 정량화를 위해 텐서 분해 및 토폴로지 정보를 활용한 새로운 그래프 신경망 모델 (CF-T²NN)을 제안하고, 실험을 통해 기존 방법 대비 우수한 성능을 입증했습니다.
올바른 답변 커버리지 보장을 통한 대규모 언어 모델의 형식적 불확실성: ConU
본 논문에서는 대규모 언어 모델(LLM)의 블랙박스 특성에도 불구하고 출력의 신뢰도를 엄격하게 보장하는 새로운 불확실성 정량화 방법론인 ConU를 제시합니다.