【人工智能的数学基础】深度学习中的不确定性(Uncertainty)
文章目录
- (1) 建模认知不确定性
- ⚪ 估计方法：贝叶斯神经网络与MC dropout
- ⚪ 估计回归问题中的认知不确定性
- ⚪ 估计分类问题中的认知不确定性
- (2) 建模异方差偶然不确定性
- (3) 结合偶然和认知不确定性
- (4) 应用场合
使用贝叶斯深度学习建模深度学习中的不确定性.
- paper：What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision?
现有的深度学习方法大多只能给出特定的预测结果，而不能给出结果的不确定性程度。
深度学习中输出结果的不确定性主要有两种：偶然不确定性是由数据中的固有噪声导致的，认知不确定性是由模型对数据缺乏足够的认知导致的。贝叶斯深度学习框架可以用于建模这两种不确定性。
在贝叶斯建模中，有两种主要类型的不确定性可以建模。
- **偶然不确定性(aleatoric uncertainty)**是由观测数据中的固有噪声导致的，比如传感器噪声或运动噪声，即使收集更多数据
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！