Enhancing Monte Carlo Dropout Performance for Uncertainty Quantification

本研究针对传统蒙特卡洛Dropout在提供良好校准的不确定性估计方面的不足，提出了整合灰狼优化器、贝叶斯优化和粒子群优化等不同搜索解决方案的创新框架，带有不确定性感知的损失函数。这一方法在多个深度学习模型上，尤其是在安全关键应用中，显著提高了不确定性量化的可靠性。

本研究提出了一种创新框架，结合灰狼优化器、贝叶斯优化和粒子群优化，改进传统蒙特卡洛Dropout在不确定性估计中的不足，显著提升深度学习模型在安全关键应用中的可靠性。