CreINNs：用于分类任务中的置信间隔神经网络的不确定性估计
原文中文，约200字，阅读约需1分钟。发表于：。本研究介绍了一种用于分类任务的全新可信区间神经网络（CreINNs），通过确定性区间捕获权重不确定性，同时使用概率区间的数学框架预测区间集合；对 CIFAR10 与 SVHN 的异分布检测基准进行的实验证实表明，与变分贝叶斯神经网络（BNNs）和深度集成（DEs）相比，CreINNs 在对认知不确定性估计方面表现优越，并且 CreINNs 的计算复杂度大幅降低，模型尺寸较 DEs 更小。
本研究提出了一种简单实现方法，替代贝叶斯 NN，能够产生高质量的预测不确定性估计，并在分类和回归数据集上进行了实验。研究还评估了已知和未知数据分布下的预测不确定性，并证明该方法在超出分布的样本上表现出更高的不确定性，同时在 ImageNet 上证明了该方法的可扩展性。
