结合分割一致预测与贝叶斯深度学习的超出分布覆盖率
原文中文，约400字，阅读约需1分钟。发表于：。贝叶斯深度学习和符合性预测是两种用于传达不确定性并增强机器学习系统安全性的方法，本文关注将贝叶斯深度学习与拆分符合性预测相结合，并探讨这种组合对于多类图像分类中的带外覆盖的影响。研究结果表明，当模型在校准集上普遍缺乏信心时，所得到的符合性集合可能比简单的预测可信集合显示出更差的带外覆盖；相反，当模型在校准集上过于自信时，采用符合性预测可能提高带外覆盖。我们评估了结合拆分符合方法和使用（i）随...
本文研究了贝叶斯深度学习和符合性预测在多类图像分类中的应用。研究发现，当模型缺乏信心时，符合性集合可能比简单预测集合的带外覆盖更差；而当模型过于自信时，采用符合性预测可以提高带外覆盖。研究结果还表明，将贝叶斯深度学习模型与拆分符合性预测相结合可能导致意外后果，如降低带外覆盖。
