為了充分利用深度學習在自然語言處理中的優勢並降低潛在風險,量化模型預測的可靠性和開發過程中存在的不確定性至關重要。
FAIR Universe HiggsML 不確定性挑戰賽旨在開發和比較機器學習方法,這些方法不僅可以提供點估計,還可以量化系統不確定性,以提高粒子物理學分析的準確性和可靠性。
本研究提出了一種計算演算法,用於量化斷層掃描影像中,從投影數據到區域計數的不確定性傳播,並探討其在放射性藥物劑量學中的應用。
隨機集神經網路 (RS-NN) 是一種新穎的分類方法,它使用置信函數和隨機集來模擬機器學習模型中的認知不確定性,並在準確性、不確定性估計和異常值檢測方面優於現有方法。
LoRA-Ensemble 是一種針對自注意力網路的新型參數高效機率式集成方法,它通過使用低秩適配 (LoRA) 來調變預先訓練模型的注意力權重,從而實現高效的不確定性建模,並在準確性和校準方面優於傳統的顯式集成方法。