深度回归的不确定性量化指标
原文中文,约400字,阅读约需1分钟。发表于: 。在部署机器人或其他物理系统上的深度神经网络时,可靠地量化预测不确定性以允许下游模块对其行为的安全性进行推理至关重要。本文研究了评估这种不确定性的度量标准,具体关注回归任务,并调查了 Sparsification Error 下面积 (AUSE)、校准误差、Spearman...
本文研究了评估深度神经网络不确定性的度量标准,包括校准误差、Spearman排名相关性和负对数似然度量。结果表明,校准误差是最稳定和可解释性的度量标准,建议使用AUSE替代Spearman排名相关性。