Uncertainty quantification for convolutional neural networks based on test time augmentation with multiobjective evolutionary algorithms

Yibiao Rong

doi:10.1016/j.asoc.2026.115799

Uncertainty quantification for convolutional neural networks based on test time augmentation with multiobjective evolutionary algorithms

2026-06-20

0

PRE

AI

DOI：10.1016/j.asoc.2026.115799

原文链接

原文求助

摘要

En 中文

• 基于测试时间增强与多目标进化算法的一种新方法被提出，用于评估回归任务中卷积神经网络的预测不确定性。具体而言，在所提出的方法中，将最小化预测分布均值与真实值之间的差异以及最大化预测分布方差与预测误差之间的相关性作为两个主要目标。采用多目标进化算法优化这两个目标，以便在生成相关预测分布时能够自动确定适当的变换图像。• 对所提出的方法进行了全面分析以评估其有效性。实验结果表明，所提出的方法能够为回归和不确定性估计任务提供一组折中解决方案，表明该方法具备在生成预测分布时确定适当变换图像的能力。此外，该方法还得出了一些有趣发现（见讨论部分），这可能鼓励软计算领域在未来探索更多解决广泛问题的创新方法。

Uncertainty quantification for convolutional neural networks based on test time augmentation with multiobjective evolutionary algorithms

摘要

期刊

机构

引用论文