.png){kind=icon}
返回
EM-SEC: Efficient Multi-head Set-Valued Evidential Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05981-9_16.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在机器学习和深度学习中，不确定性量化有助于准确评估模型对其预测的置信度，从而在安全关键型应用中拒绝不确定的输出结果。然而，在涉及人工智能辅助决策的场景中，提出多个可能的决策可能比不做出任何决策或冒险做出错误决策更有益。集合值分类是标准多类分类的一种放松，即在不确定的情况下，分类器返回一组可能的标签而非单个标签。当前集合值分类方法通常存在高计算复杂度或未能充分量化不确定性的问题。在本文中，我们介绍了一种新颖的、计算高效的集合值分类方法，该方法利用证据深度学习和主观逻辑，明确提供分类不确定性的度量。我们的方法采用双头架构：一个头执行多类证据分类，而另一个头在不确定性较高时建议候选标签集。所提出的方法在最坏情况下具有线性计算复杂度，与类别数量相关。在多个基准数据集上的广泛评估表明，我们的方法在性能上与基线集合值方法相当，同时在基准数据集上的推理速度最高可达23倍。
Keyword:
set-valued classification
evidential deep learning
subjective logic
utility maximization
uncertainty quantification
期刊
机构
引用论文
分享收藏Cautious classification based on belief functions theory and imprecise relabelling基于信念函数理论和不精确重新标记的谨慎分类
OAAI
OAAI分享收藏
A review of uncertainty quantification in deep learning: Techniques, applications and challenges深度学习中的不确定性量化: 技术、应用与挑战.png)
INFORMATION FUSIONOAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏分享收藏分享收藏
查看更多内容