.png){kind=icon}
返回
Leveraging subclass learning for improving uncertainty estimation in deep Learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.neucom.2025.130954.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习正日益普及于各种应用，并取得了最先进的成果，但其在可信度方面面临挑战。使深度学习模型更加可信的一个方面是提高其评估样本是否来自领域内（ID）数据分布的能力。特别是，神经网络倾向于进行过度自信的外推，难以传达其不确定性，这会限制其可信度。近期的方法已成功采用基于径向基函数（RBF）的模型来改进深度学习中的不确定性估计。然而，此类模型假设每个类别的数据分布为单峰分布，而我们指出，这对于检测领域外样本至关重要，但在许多实际案例中可能存在局限性。为克服这些限制，本文提出了一种训练深度模型的方法，利用真实数据中自然出现的固有不同模态（我们称之为子类），从而实现改进的不确定性量化。所提方法利用一种方差保持的重构型表示学习方法，防止特征坍塌并能够稳健地发现子类，进一步提升了所提方法的有效性。通过在多个数据集上进行的大量实验，验证了该方法的有效性。
Keyword:
0000
1111
0000
1111
2000
Trustworthy artificial intelligence
Uncertainty estimation
Subclass learning
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
UNCER: A framework for uncertainty estimation and reduction in neural decoding of EEG signalsUNCER: 不确定性估计和减少EEG信号神经解码的框架.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
分享收藏Adaptive sparse dropout: Learning the certainty and uncertainty in deep neural networks自适应稀疏dropout: 学习深度神经网络中的确定性和不确定性NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Semi-supervised subclass support vector data description for image and video classificationNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容