关于认知不确定性的校准：原则、悖论和冲突损失
原文中文，约1300字，阅读约需4分钟。
📝
内容提要
本文提出了一种深度学习的不确定性评估框架，比较了集成方法和MC-dropout，发现集成方法更为可靠。研究探讨了贝叶斯深度学习在计算机视觉中的应用，提出了新损失函数以提高模型的鲁棒性，并展示了认知不确定性的实验结果。
🔎
延伸解读
集成方法与MC-dropout的可靠性对比
文章指出，在可扩展的不确定性评估中，集成方法比MC-dropout提供更可靠和实用的不确定性估计。这意味着在实际应用中，若追求更准确的不确定性量化，集成方法可能是更优选择。但文章未具体说明集成方法在计算成本上的表现，读者需结合自身资源权衡。
认知不确定性孔洞现象及其影响
实验观察到，当模型较大且训练数据较少时，认知不确定性会异常降低，与理论预期相反。这一现象对基于认知不确定性的贝叶斯深度学习应用构成挑战，尤其是在分布外样本检测中，可能导致漏检。读者应注意该现象对模型安全性的潜在影响。
证据深度学习的优化与解释挑战
文章提到，证据深度学习虽流行，但优化二阶损失函数和解释认知不确定性度量存在困难。研究通过系统实验揭示了确认性和收敛性问题，并指出认知不确定性度量具有相对而非绝对的性质。这提醒研究者在应用时需谨慎解读不确定性数值。
❓
Q&A
什么是深度学习中的认知不确定性？
认知不确定性是指深度学习模型在面对不确定输入时，所表现出的不确定性程度，影响模型的预测准确性。
集成方法和MC-dropout在不确定性估计上的比较结果是什么？
研究表明，集成方法提供更可靠和实用的不确定性估计，相较于MC-dropout。
新提出的损失函数有什么作用？
新损失函数旨在提高模型的鲁棒性，并在像素级语义分割和深度回归任务中取得了最先进的结果。
贝叶斯深度学习在计算机视觉中的应用有哪些？
贝叶斯深度学习用于建模本质和表观不确定性，提升模型在计算机视觉任务中的性能。
如何通过混合狄利克雷分布建模不确定性？
通过变分推断，混合狄利克雷分布可以建模一致的目标分布，从而提取目标模型中的不确定性。
认知不确定性对模型性能的影响是什么？
认知不确定性会影响模型的预测准确性，尤其是在大型模型和少量训练数据的情况下，可能导致不一致的结果。
🏷️
