自举你的方差（Bootstrap Your Own Variance）
Bootstrap Your Own Variance
AI总结：
本文提出 BYOV，将自监督 BYOL 与贝叶斯 BBB 结合，用于无标签不确定性估计，并在多种数据增强下取得更优校准与可靠性。
摘要：
理解模型不确定性对许多应用都很重要。我们提出 Bootstrap Your Own Variance（BYOV），将 Bootstrap Your Own Latent（BYOL）这一无负样本的自监督学习（SSL）算法，与用于估计模型后验的贝叶斯方法 Bayes by Backprop（BBB）相结合。我们发现，BYOV 相对于监督式 BBB 模型所学得的预测标准差能够被高斯分布很好地刻画，这为所学参数后验可用于无标签不确定性估计提供了初步证据。BYOV 改进了确定性 BYOL 基线（测试 ECE 提升 2.83%，测试 Brier 提升 1.03%），并在多种增强测试下表现出更好的校准与可靠性（例如：针对椒盐噪声，测试 ECE 提升 2.4%，测试 Brier 提升 1.2%）。
英文摘要：
Understanding model uncertainty is important for many applications. We propose Bootstrap Your Own Variance (BYOV), combining Bootstrap Your Own Latent (BYOL), a negative-free Self-Supervised Learning (SSL) algorithm, with Bayes by Backprop (BBB), a Bayesian method for estimating model posteriors. We find that the learned predictive std of BYOV vs. a supervised BBB model is well captured by a Gaussian distribution, providing preliminary evidence that the learned parameter posterior is useful for label free uncertainty estimation. BYOV improves upon the deterministic BYOL baseline (+2.83% test ECE, +1.03% test Brier) and presents better calibration and reliability when tested with various augmentations (eg: +2.4% test ECE, +1.2% test Brier for Salt & Pepper noise).
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
