随着深度学习技术的不断发展，DNN模型的预测能力变得越来越强，然而在一些情况下这却并不是我们想要的，比如说给模型一个与训练集完全不相关的测试样本，我们希望模型能够承认自己的“无知”，而不是强行给出一个预测结果，这种能力对于自动驾驶或者医疗诊断等重视风险的任务是至关重要的。因此，为了达到这个目的，我们的模型需要具有量化不确定性的能力，对于那些它没有把握的样本，模型应该给出较高的不确定性，这样就能指导我们更好地利用模型的预测结果。
这次介绍的SDE-Net与可以预测概率分布的DeepAR模型的目标是一致的，都是令模型在预测的基础上还能够度量预测结果的不确定性，不过SDE-Net的实现这个目标的思路与DeepAR不同。下面主要从不确定性、SDE量化不确定性、模型构造、理论分析、模型训练以及实验几个方面进行详细介绍，感兴趣的可以戳原文链接进行阅读。
- 论文标题：SDE-Net: Equipping Deep Neural Networks with Uncertainty Estimates
- 论文名称：https://arxiv.org/abs/2008.10546?context=stat
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢