跨受试者运动想象分类的不确定性量化
原文中文，约400字，阅读约需1分钟。发表于：。不确定性量化旨在确定机器学习模型的预测何时可能错误。计算机视觉研究探索了确定认知不确定性（也称为模型不确定性）的方法，这应该和泛化误差相对应。这些方法在理论上允许根据个体间可变性来预测错误分类。我们应用了各种不确定性量化方法来预测运动想象脑机接口的错误分类。深度集成表现最佳，除了分类性能外，它还在跨个体不确定性量化性能上表现出色。然而，我们发现标准的 CNN 与 Softmax 输出要好于一些更高级的方法。
深度学习模型在交通预测中应用广泛，但缺乏可解释性。通过不确定性量化方法，研究了在多个城市和时间段的交通数据集上的应用，发现可以恢复有意义的不确定性估计，并检测无监督异常点。通过莫斯科案例研究，发现方法能够捕捉交通行为的时间和空间效应。推动不确定性意识的发展，突出不确定性量化方法对于理解城市交通动态的价值。
