Awareness of uncertainty in classification using a multivariate model and multi-views

让人工智能更加自然的一种方法是给它留下一些怀疑的余地。这样需要解决两个主要问题。首先，如何训练模型来估计自己预测的不确定性？然后，如果出现不确定的预测，该怎么办？首先，我们针对N类分类任务的N维多元正态分布案例，提出了一种基于不确定性的负对数似然损失。该损失类似于异方差回归损失。所提出的模型规范化了不确定的预测，并训练计算预测及其不确定性估计。该模型与标签平滑技术相适应。其次，我们扩展了训练和测试阶段的数据增强限制，并使训练模型为给定每个测试样本的增强版本给出多个预测。鉴于多视角预测以及它们的不确定性和置信度，我们提出了几种计算最终预测的方法，包括模式值和带有软和硬权重的bin计数。对于后一种方法，我们将模型调整任务形式化为具有非可微标准的多模态优化，并应用粒子群优化来解决调整任务。所提出的方法学在CIFAR-10数据集上进行了测试，包括干净和嘈杂的标签，并与与样本选择、共同教学和标签平滑相关的其他不确定性估计方法进行了比较，结果表明良好。

如何让人工智能更自然？本文试图解决如何训练模型估计其预测的不确定性，并在出现不确定预测时采取什么措施的问题。

提出一种基于多元正态分布的不确定性感知负对数似然损失函数，并将其与标签平滑技术结合使用，以训练模型计算预测及其不确定性估计。同时，通过数据增强和多视角预测的方法，提出多种计算最终预测的方法，包括模式值和带有软硬权重的条目计数。

使用CIFAR-10数据集进行测试，与其他不确定性估计方法相比，本文提出的方法在样本选择、协同教学和标签平滑方面表现良好。通过粒子群优化解决多峰优化问题，对模型进行调整。

与本文相关的研究包括样本选择、协同教学和标签平滑等方法。