Variance-Gated Ensembles: An Epistemic-Aware Framework for Uncertainty Estimation
Faculty of Computer Science, Dalhousie University, Halifax, NS(计算机科学学院,达尔豪西大学,哈利法克斯,NS)
提出方差门控集成(VGE)框架,通过从集成统计量计算信噪比门控注入认知敏感性,实现高效且可微的不确定性估计,在计算效率与性能上匹配或超越现有方法。
2026-06-02 cs.LG stat.ML
Gated Linear Model induced U-net for surrogate modeling and uncertainty quantification
Indian Institute of Technology Guwahati(古瓦哈提印度理工学院);Indian Institute of Technology Delhi(德里印度理工学院)
我们提出了一种新的基于深度学习的代理模型,用于解决高维不确定性量化和不确定性传播问题。所提出的深度学习架构是通过将众所周知的U-net架构与高斯门控线性网络(GGLN)集成而开发的,并被称为门控线性网络诱导的U-net或GLU-net。建议的GLU网络将不确定性传播问题视为图像到图像的回归,因此非常有效。此外,它还提供了预测不确定性的估计。GLU网的网络结构比现有的网络结构简单,参数减少了44%.我们说明了所提出的GLU-网络在稀疏数据场景下的不确定性下求解达西流问题的性能。我们认为随机输入维数高达4225。基准测试结果使用香草蒙特卡罗模拟生成。我们观察到建议的GLU网络是准确的,非常有效的,即使没有信息的输入结构提供给网络。通过改变训练样本量和随机输入维数进行了案例研究,以说明所提出的方法的鲁棒性。
2021-11-08 cs.LG stat.ML
Sampling-free Uncertainty Estimation in Gated Recurrent Units with Exponential Families
University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
最近有一个共同的努力,以获得视觉和机器学习系统中的机制,以提供他们所做的预测的不确定性估计。显然,一个不仅准确,而且在不确定的时候也有感觉的系统有巨大的好处。现有的建议围绕现代深度架构的贝叶斯解释-这些是有效的,但通常需要计算。我们展示了如何经典的想法在文献中的指数族概率网络提供了一个很好的起点,得到门控递归单位(GRU)的不确定性估计。我们的建议直接量化的不确定性确定性,而不需要昂贵的采样为基础的估计。我们演示了如何使用我们的模型来定量和定性地测量无监督图像序列预测中的不确定性。据我们所知,这是第一个结果描述无采样不确定性估计的强大的序列模型,如GRU。
2018-09-02 cs.CV cs.LG stat.ML
Uncertainty Estimation using Variance-Gated Distributions
Faculty of Computer Science(计算机科学学院);Dalhousie University(达尔豪斯大学)
提出基于类概率分布信噪比的方差门控不确定性估计框架,通过集成置信因子缩放预测,解决神经网络预测不确定性分解中的加性分解问题。
2026-06-02 cs.AI cs.LG stat.ML
Lattice: A Confidence-Gated Hybrid System for Uncertainty-Aware Sequential Prediction with Behavioral Archetypes
banlys.com(banlys公司)
提出Lattice混合系统,通过二元置信门控条件激活行为原型,在不确定时回退到骨干预测,在MovieLens上LSTM+Lattice的HR@10提升31.7%,Transformer和SASRec也有提升。
2026-06-07 cs.LG
When to ASK: Uncertainty-Gated Language Assistance for Reinforcement Learning
本文提出ASK方法,通过结合小型语言模型和训练好的RL策略,提升模型在分布外任务中的泛化能力,通过不确定性门控机制选择性利用语言模型进行决策,实验显示其在迁移任务中表现稳健。
2026-04-02 cs.AI cs.LG
ASK in the Dark: Uncertainty-Gated LLM Assistance under Partial Observability
Kunumi Institute(库努米研究所);King’s College London(伦敦国王学院)
研究部分可观测性下强化学习智能体,指出普通不确定性门控方法失败原因是上下文问题。提出ASK+,为语言模型提供轨迹感知上下文和结构化推理,证明预测熵信号可行,在多环境中取得更好效果,强调提示设计重要性。
2026-07-07 cs.AI cs.LG
Deep Generative Models for Geometric Design Under Uncertainty
Northwestern University(西北大学)
深度生成模型在学习紧凑和富有表现力的设计表示方面表现出了有效性,这些设计表示显着改善了几何设计优化。然而,这些模型不考虑制造或制造引入的不确定性。过去量化这种不确定性的工作往往对几何变化进行简化假设,而“真实世界”的不确定性及其对设计性能的影响由于高维数而难以量化。为了解决这个问题,我们提出了一个基于生成对抗网络的不确定性框架下的设计(GAN-DUF),它包含一个深度生成模型,可以同时学习标称(理想)设计的紧凑表示和给定任何标称设计的制造设计的条件分布。我们在两个实际的工程设计实例中展示了该框架,并展示了其在制造后找到具有更好性能的解决方案的能力。
2022-03-09 cs.LG
TRIAGE: Type-Routed Interventions via Aleatoric-Epistemic Gated Estimation in Robotic Manipulation and Adaptive Perception -- Don't Treat All Uncertainty the Same
University of Illinois at Chicago(伊利诺伊大学香槟分校);Intel Labs(英特尔实验室)
TRIAGE通过分解不确定性为概率和epistemic组件,改进机器人操作和自适应感知的性能和效率。
2026-03-09 cs.LG cs.RO
Gated Uncertainty-Aware Runtime Dual Invariants for Neural Signal-Controlled Robotics
Oxford Robotics Institute (ORI)(牛津机器人研究所);Department of Engineering Science(工程科学系);University of Oxford(牛津大学)
GUARDIAN通过结合校准置信度的脑信号解码与符号目标接地和双层运行时监控,实现神经信号控制机器人系统的高安全性和可靠性。
2025-11-25 cs.AI cs.HC cs.LG
Quantifying Uncertainty In Traffic State Estimation Using Generative Adversarial Networks
Columbia University(哥伦比亚大学)
本文旨在使用基于物理信息的深度学习(PIDL)的生成对抗网络来量化流量状态估计(TSE)中的不确定性。焦点的不确定性来自基本图,换句话说,从交通密度到速度的映射。量化TSE问题的不确定性是为了表征预测交通状态的鲁棒性。自诞生以来,生成对抗网络(GAN)已经成为一种流行的概率机器学习框架。在本文中,我们将通知GAN为基础的预测使用随机交通流模型和开发一个GAN为TSE的PIDL框架,命名为"PhysGAN-TSE”。通过对真实世界数据集,下一代仿真(NGSIM)数据集进行实验,该方法被证明是更强大的不确定性量化比纯GAN模型或纯交通流模型。两个物理模型,Lighthill-Whitham-Richards(LWR)和Aw-Rascle-Zhang(ARZ)模型,作为PhysGAN的物理组件进行了比较,结果表明,ARZ的PhysGAN实现了更好的性能比LWR的。
2022-11-09 cs.LG
FORGE: Verification-Gated Behavioral Repair for Generative Language Models
National Chengchi University(国立政治大学)
FORGE提出一种验证门控的生成式语言模型行为修复框架,通过分离缺陷定位、权重编辑和行为验证,结合约束优化与零空间投影两种后端,在少量缺陷样本下有效降低偏见和毒性,优于梯度微调。
2026-10-06 cs.CL cs.LG
Uncertainty-Gated Stochastic Sequential Model for EHR Mortality Prediction
Korea University(高丽大学);Electronics and Telecommunications Research Institute(电子与电信研究院)
电子健康记录(EHR)的特点是非平稳,异构,噪声和稀疏的数据,因此,它是具有挑战性的学习,或其中固有的模式。特别是,稀疏性主要是由许多缺失值引起的,已经引起了研究人员的注意,他们试图找到一个更好地利用所有可用的样本来确定一个主要的目标任务的解决方案,通过定义一个次要的插补问题。在方法上,现有的方法,无论是确定性或随机性,采用不同的假设来估算缺失值。然而,一旦缺失值被插补,大多数现有的方法不考虑下游任务建模中插补值的保真度或置信度。毫无疑问,缺失变量的错误或不适当的插补会导致建模困难以及性能下降。在这项研究中,我们提出了一种新的变分递归网络,它(i)估计缺失变量的分布,允许表示估算值中的不确定性,(ii)通过在递归期间基于估算值的方差显式应用保真度来更新隐藏状态(即,不确定性随时间的传播),以及(iii)预测住院死亡率的可能性。值得注意的是,我们的模型可以在单个流中执行这些过程,并以端到端的方式联合学习所有网络参数。我们使用MIMIC-III和PhysioNet挑战2012的公共数据集,通过与我们实验中考虑的其他最先进的死亡率预测方法进行比较并优于其他方法,验证了我们方法的有效性。此外,我们确定了模型的行为,该行为很好地代表了插补估计值的不确定性,这表明计算的MAE与不确定性之间具有高度相关性。
2020-03-02 cs.LG stat.ML
Separating Intrinsic Ambiguity from Estimation Uncertainty in Deep Generative Models for Linear Inverse Problems
Neuroscience Institute, Carnegie Mellon University(卡内基梅隆大学神经科学研究所);Machine Learning Department, Carnegie Mellon University(卡内基梅隆大学机器学习系);Department of Electrical and Computer Engineering, Carnegie Mellon University(卡内基梅隆大学电气与计算机工程系)
本文提出一种分解后验不确定性的方法,用于区分逆问题中固有模糊性和推断传播的不确定性,通过校准分析揭示模型失败模式。
2026-05-14 cs.LG
Handling Uncertainty in Health Data using Generative Algorithms
City University of New York, Graduate Center(纽约城市大学研究生中心);City University of New York, Hunter College(纽约城市大学亨特学院);Columbia University(哥伦比亚大学)
本文提出RIGA流水线,通过生成式AI将表格医疗数据转为图像并生成平衡样本,以缓解类别不平衡问题,从而提升分类器性能与模型鲁棒性。
2025-03-05 cs.LG
Free-Form Image Inpainting with Gated Convolution
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Adobe Research(奥多比研究院);ByteDance AI Lab(字节跳动人工智能实验室)
我们提出了一个生成式图像修补系统来完成图像与自由形式的掩模和指导。该系统基于从数百万张图像中学习的门控卷积,而无需额外的标记工作。所提出的门控卷积解决了将所有输入像素视为有效像素的香草卷积的问题,通过为跨所有层的每个空间位置处的每个通道提供可学习的动态特征选择机制来推广部分卷积。此外,由于自由形式的掩模可以出现在具有任何形状的图像中的任何地方,因此为单个矩形掩模设计的全局和局部GANs不适用。因此,我们还提出了一个基于块的GAN损失,命名为SN-PatchGAN,通过应用频谱归一化的卷积对密集的图像块。SN-PatchGAN配方简单,训练快速稳定。自动图像修补和用户引导扩展的结果表明,我们的系统产生更高的质量和更灵活的结果比以前的方法。我们的系统可以帮助用户快速删除分散注意力的物体,修改图像布局,清除水印和编辑面孔。代码、演示和模型可在https://github.com/JiahuiYu/generative_inpainting上获得
2019-10-22 cs.CV cs.GR cs.LG
Uncertainty-Gated Exploration Noise Suppresses Task Collapse in Online RL Fine-Tuning of a Flow-Matching Vision-Language-Action Policy
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Çukurova University(库库罗瓦大学)
针对在线强化学习微调流匹配VLA策略时的任务坍缩问题,提出不确定性门控探索噪声控制器,在LIBERO-10上显著优于固定和学习的噪声策略,且不依赖任务标签。
2026-09-25 cs.LG cs.RO
Uncertainty Quantification using Generative Approach
提出增量生成蒙特卡洛方法,利用深度生成模型迭代训练并扩充数据集,以量化深度神经网络的不确定性,提供收敛性理论保证,并适用于分类与回归任务。
2023-10-13 cs.AI cs.LG
Evaluating Aleatoric Uncertainty via Conditional Generative Models
Columbia University(哥伦比亚大学)
随机不确定性量化寻求随机响应的分布知识,这对于机器学习应用中的可靠性分析和鲁棒性改进是重要的。以往任意不确定性估计的研究主要是针对封闭形式的条件密度或方差,这需要对数据的分布或维数有很强的限制。为了克服这些限制,我们研究了任意不确定性估计的条件生成模型。我们引入了两个度量来衡量适合这些模型的两个条件分布之间的差异。这两个指标都可以通过条件生成模型的蒙特卡罗模拟轻松且无偏差地计算,从而促进其评估和训练。我们数值演示了我们的指标如何提供正确的测量条件分布的差异,并可用于训练条件模型对现有的基准竞争。
2022-06-09 cs.LG stat.ML
Towards Uncertainty Quantification in Generative Model Learning
Normandie Univ, UNICAEN, ENSICAEN, CNRS, GREYC(诺曼底大学、UNICAEN、ENSICAEN、CNRS、GREYC)
本文针对生成模型评估忽略测量固有不确定性的问题,形式化定义生成模型学习的不确定性量化问题,提出基于集成的精确率-召回率曲线方法,经合成数据集实验验证该方法可有效捕捉模型近似不确定性,支撑不同架构的系统性比较。
2025-11-13 cs.AI cs.LG
Uncertainty-gated selection for block-sparse attention
研究针对块稀疏注意力截断短视问题,提出信息价值路由器,通过测量 top-k 截断决定性程度调整保留集。该方法与主干无关,可堆叠现有方法。实验表明其在多个模型上提升召回率,保留准确率,且减少运行时间。
2026-07-10 cs.CL cs.LG
Tackling Incomplete Data in Air Quality Prediction: A Bayesian Deep Learning Framework for Uncertainty Quantification
School of Intelligent Systems Engineering, Sun Yat-sen University(智能系统工程学院,中山大学);Guangdong Provincial Key Laboratory of Intelligent Transportation System(广东省智能交通系统重点实验室);Guangdong Provincial Engineering Research Center for Traffic Environmental Monitoring and Control(广东省交通环境监测与控制工程研究中心)
提出CGLUBNF框架,通过贝叶斯推断与通道门控学习单元处理空气质量预测中的不完整数据,实现高精度预测与不确定性量化。
2025-11-04 cs.AI cs.LG
Generative Uncertainty in Diffusion Models
UvA-Bosch Delta Lab, University of Amsterdam(阿姆斯特丹大学)
针对扩散模型单个样本质量难检测的问题,提出基于贝叶斯框架的生成不确定性估计方法,结合语义似然应对高维挑战,可事后应用于预训练模型且能有效识别低质量样本。
2025-06-12 cs.AI cs.LG
Generative Posterior Networks for Approximately Bayesian Epistemic Uncertainty Estimation
Carnegie Mellon University(卡内基梅隆大学);Bosch Center for Artificial Intelligence(博世人工智能中心);Amazon Alexa AI(亚马逊Alexa AI)
提出生成式后验网络(GPNs),利用未标记数据通过正则化网络趋向先验样本来直接近似贝叶斯后验,从而在高维问题中提升认知不确定性估计和可扩展性。
2023-12-29 cs.LG stat.ML
TrafficFlowGAN: Physics-informed Flow based Generative Adversarial Network for Uncertainty Quantification
Columbia University(哥伦比亚大学);Data Science Institute, Columbia University(哥伦比亚大学数据科学研究所)
本文提出了一种基于物理信息流的生成对抗网络(GAN)--GAN流GAN,用于动态系统的不确定性量化(UQ)。EschericFlowGAN采用规范化流模型作为生成器来显式估计数据可能性。该流模型被训练以最大化数据可能性并生成可以欺骗卷积神经网络的合成数据。我们使用先前的物理信息进一步规范这个训练过程,即所谓的物理信息深度学习(PIDL)。据我们所知,我们是第一个提出一个集成流,GAN和PIDL的UQ问题。我们以交通状态估计(TSE)为例,它的目的是估计交通变量(如交通密度和速度)使用部分观测数据,以证明我们提出的模型的性能。我们进行了数值实验,该模型被应用于学习随机微分方程的解决方案。实验结果证明了该模型的鲁棒性和准确性,以及学习机器学习代理模型的能力。我们还测试了一个真实世界的数据集,下一代仿真(NGSIM),以表明所提出的mixicFlow GAN可以优于基线,包括纯流模型,物理信息流模型,和基于流的GAN模型。
2022-10-15 cs.LG
GenVoid: Uncertainty-Aware Learning of Subsurface Material Defects with an Experimentally Validated Physics-Informed Generative Model
Worcester Polytechnic Institute(伍斯特理工学院)
GenVoid提出一种物理信息生成模型框架,从表面位移测量中概率性识别内部空洞,考虑不确定性,并通过可观测性度量指导测量策略,实现非侵入性缺陷表征。
2026-09-22 cs.LG
GAN-DUF: Hierarchical Deep Generative Models for Design Under Free-Form Geometric Uncertainty
Northwestern University(西北大学)
深度生成模型在学习紧凑和富有表现力的设计表示方面表现出了有效性,这些设计表示显着改善了几何设计优化。然而,这些模型不考虑制造或制造引入的不确定性。过去的工作,量化这种不确定性往往使简化假设的几何变化,而“真实世界”,“自由形式”的不确定性及其对设计性能的影响是难以量化的,由于高维数。为了解决这个问题,我们提出了一个基于生成对抗网络的不确定性框架下的设计(GAN-DUF),它包含一个深度生成模型,可以同时学习标称(理想)设计的紧凑表示和给定任何标称设计的制造设计的条件分布。这开辟了以下新的可能性:1)~构建与形状和拓扑设计兼容的通用不确定性量化模型; 2)~建模自由形式的几何不确定性而无需对几何可变性的分布做出任何假设;以及3)~允许快速预测新标称设计的不确定性。我们可以将所提出的深度生成模型与鲁棒设计优化或基于可靠性的设计优化相结合,用于不确定性设计。我们在两个实际的工程设计实例中展示了该框架,并展示了其在制造后找到具有更好性能的解决方案的能力。
2022-10-07 cs.CE cs.LG
Open Set Recognition Through Deep Neural Network Uncertainty: Does Out-of-Distribution Detection Require Generative Classifiers?
Goethe University(歌德大学)
我们提出了一个基于预测不确定性的分析分布外检测的不同方法来估计各种模型的认知不确定性,并将其与基于极值理论的开集识别。虽然前者似乎不足以克服这一挑战,我们证明,不确定性与后者的方法齐头并进。这似乎特别反映在生成模型方法中,我们表明基于后验的开集识别优于判别模型和基于预测不确定性的离群值拒绝,提出了一个问题,即分类器是否需要生成,以便知道他们没有看到什么。
2019-08-26 cs.CV cs.LG stat.ML
Random Process Flow Matching: Generative Implicit Representations of Multivariate Random Fields
Navier, CNRS, Univ Gustave Eiffel, ENPC, IP Paris, France(纳维尔研究所、国家科学研究中心、巴黎高等电力学院、ENPC、IP巴黎、法国);LIGM, CNRS, Univ Gustave Eiffel, ENPC, IP Paris, France(LIGM研究所、国家科学研究中心、巴黎高等电力学院、ENPC、IP巴黎、法国)
提出基于流匹配的随机过程流(RP Flow)框架,利用随机傅里叶特征学习隐式信号表示,通过集成采样编码不确定性,实现从稀疏观测生成高质量样本并校准不确定性估计。
2026-05-27 cs.LG
Conformalized Generative Bayesian Imaging: An Uncertainty Quantification Framework for Computational Imaging
Department of Electrical and Computer Engineering, University of Rochester(电气与计算机工程系,罗切斯特大学);Goergen Institute for Data Science & AI, University of Rochester(数据科学与人工智能研究院,罗切斯特大学)
针对计算成像中难以联合量化偶然与认知不确定性的问题,提出结合生成后验采样、带潜变量贝叶斯网络与深度集成的可扩展框架,引入共形预测实现校准,在多成像任务中验证了不确定性估计的有效性与边际覆盖保证。
2025-10-06 cs.LG eess.IV
Robustness to Out-of-Distribution Inputs via Task-Aware Generative Uncertainty
Berkeley AI Research (BAIR), University of California, Berkeley(加州大学伯克利分校伯克利人工智能研究中心(BAIR));Uber AI Labs(优步人工智能实验室)
当观察结果与训练数据相似时,深度学习为机器感知提供了强大的工具。然而,现实世界的机器人系统必须对他们的观察做出智能反应,即使在意想不到的情况下。这就要求系统在不熟悉的、分布外的观察结果下,对自己的不确定性进行推理。近似贝叶斯方法通常用于估计神经网络预测的不确定性,但可能难以处理分布外的观测值。生成模型原则上可以检测出分布外的观测值,因为这些观测值具有较低的估计密度。然而,仅仅存在分发外输入本身并不表示不安全的情况。在本文中,我们提出了一种方法,结合生成建模和模型的不确定性,以应付来自分布状态的不确定性感知的不确定性。我们的方法估计模型预测的不确定性度量,同时考虑到观察分布的显式(生成)模型来处理分布外的输入。这是通过将观察结果概率性地投影到训练分布上来实现的,使得分布外输入映射到不确定的分布内观察结果,这反过来又产生不确定的任务相关预测,但只有当图像的任务相关部分发生变化时。我们评估我们的方法与模拟和真实数据的行动条件碰撞预测任务,并证明我们的方法,预测出的分布观察提高了四个标准贝叶斯和非贝叶斯神经网络方法的性能,提供更有利的权衡的时间比例的机器人可以保持自主和即将发生的碰撞成功避免的比例。
2018-12-27 cs.LG stat.ML
Uncertainty Quantification with Generative Models
Berkeley Center for Cosmological Physics(伯克利宇宙物理中心);University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
我们开发了一种基于生成模型的方法来解决贝叶斯逆问题,例如从噪声和不完整图像中重建图像。我们的框架解决了贝叶斯重建的两个常见挑战:1)它利用复杂的数据驱动先验,包括有关未损坏数据分布的所有可用信息。2)它能够以潜在空间和数据空间中的后验分析的形式实现计算上易于处理的不确定性量化。该方法是非常有效的,因为生成模型只需要在未损坏的数据集上训练一次,之后,该过程可以用于任意损坏类型。
2019-10-22 astro-ph.CO cs.LG stat.ML
Generative Parameter Sampler For Scalable Uncertainty Quantification
Harvard Data Science Initiative(哈佛数据科学倡议);Harvard University(哈佛大学)
不确定性量化一直是统计机器学习的核心问题,但其计算瓶颈一直是贝叶斯学派和频率学派面临的严峻挑战。我们提出了一个基于模型的框架,在量化的不确定性,称为预测匹配生成参数采样器(GPS)。此过程考虑目标参数的不确定性量化(UQ)分布,该分布将对应的预测分布与观测数据相匹配。该框架采用分层建模的观点,使每个观察是由一个单独的参数建模。这种单独的参数化允许所得到的推断在计算上是可扩展的并且对离群值是鲁棒的。我们的方法说明了线性模型,泊松过程和深层神经网络分类。结果表明,全球定位系统是成功的,在提供不确定性量化以及额外的灵活性超出了经典的统计程序所允许的假设的统计模型。
2019-06-02 cs.LG stat.ME stat.ML
Leveraging Active Subspaces to Capture Epistemic Model Uncertainty in Deep Generative Models for Molecular Design
本研究利用活动子空间近似后验分布,为JT-VAE分子设计模型提供无需改动架构的认知不确定性量化方法,并验证其对分子优化的潜在价值。
2024-08-15 cs.LG q-bio.QM stat.ML
Uncertainty-Aware Generative Oversampling Using an Entropy-Guided Conditional Variational Autoencoder
针对高维生物医学数据的类别不平衡问题,提出融合局部不确定性的LEO-CVAE生成式过采样框架,通过熵加权损失和熵引导采样提升分类性能,优于传统与生成式基线方法。
2025-10-04 cs.AI cs.LG
Estimation with Uncertainty via Conditional Generative Adversarial Networks
Korea University(高丽大学)
传统的预测人工神经网络(ANN)通常采用确定性权重矩阵;因此,它们的预测是点估计。人工神经网络的这种确定性性质导致了将人工神经网络用于医疗诊断、法律问题和投资组合管理的局限性,其中不仅需要发现预测,而且还需要发现预测的不确定性。为了解决这个问题,我们提出了一个预测概率神经网络模型,它对应于一个不同的方式使用的发电机在条件生成对抗网络(cGAN),已被常规用于条件样本生成。通过反转普通cGAN的输入和输出,该模型可以成功地用作预测模型;此外,由于采用对抗训练,该模型对噪声具有鲁棒性。此外,为了度量预测的不确定性,我们分别为回归问题和分类问题引入了熵和相对熵。该框架适用于股票市场数据和图像分类任务。结果表明,该框架具有优越的估计性能,特别是在噪声数据上;此外,它表明,该框架可以正确地估计预测的不确定性。
2020-07-01 cs.LG stat.ML
GAUDA: Generative Adaptive Uncertainty-guided Diffusion-based Augmentation for Surgical Segmentation
Technical University Darmstadt(德累斯顿技术大学);University Medical Center Mainz(马因茨大学医学中心);University of Girona(加泰罗尼亚大学)
针对手术数据积累的伦理与监管限制及配对数据合成探索不足的问题,提出GAUDA方法,利用贝叶斯下游模型的认知不确定性进行在线自适应引导生成,有效提升了手术分割的IoU。
2025-01-18 cs.CV cs.LG
E-QRGMM: Efficient Generative Metamodeling for Covariate-Dependent Uncertainty Quantification
School of Data Science(数据科学学院);School of Management(管理学院);Department of Decision Analytics and Operations, College of Business, City University of Hong Kong(商业学院决策分析与运营系,香港城市大学);The Laboratory for AI-Powered Financial Technologies(人工智能赋能金融技术实验室)
E-QRGMM通过整合三次Hermite插值与梯度估计,提升生成元模型在协变量依赖不确定性量化中的计算效率与分布准确性。
2026-01-27 cs.LG stat.ML
Adaptive Planning with Generative Models under Uncertainty
Purdue University(普渡大学)
本文提出利用逆动力学模型 Deep Ensemble 的预测不确定性动态调整规划间隔,使生成模型可连续执行多步动作;在 OpenAI Gym 运动任务中将重规划频率降至约10%且保持性能。
2024-08-02 cs.LG cs.RO
Uncertainty-Aware Deep Classifiers using Generative Models
Blue Prism AI Labs(蓝棱镜人工智能实验室);Ozyegin University(奥兹耶金大学);US Army Research Lab(美国陆军研究实验室);University of Brescia(布雷西亚大学);Cardiff University(卡迪夫大学)
深度神经网络通常对他们不知道的事情一无所知,并且在做出不知情的预测时过于自信。最近的一些方法通过训练模型来直接量化分类不确定性,以输出接近类边界或来自训练分布外部的数据样本的高不确定性。这些方法在训练期间使用辅助数据集来表示分布外的样本。然而,这种辅助数据集的选择或创建是不平凡的,特别是对于诸如图像的高维数据。在这项工作中,我们开发了一种新的神经网络模型,能够表达任意和认知的不确定性,区分决策边界和分布区域的特征空间。为此,将变分自编码器和生成对抗网络结合起来,自动生成用于训练的分布外样本。通过广泛的分析,我们证明了所提出的方法提供了更好的估计的不确定性的分布样本,和对抗的例子对国家的最先进的方法,包括最近的贝叶斯方法神经网络和异常检测方法的知名数据集。
2020-06-07 cs.LG stat.ML
Generative models uncertainty estimation
Universita e INFN, Firenze(佛罗伦萨大学与意大利国家核物理研究所佛罗伦萨分所);HSE University(高等经济大学)
近年来,针对各种高能物理探测器,提出了基于生成模型的全参数快速仿真方法。就其本质而言,数据驱动模型的质量在数据稀疏的相空间区域中会降低。由于机器学习模型很难从物理原理上进行分析,因此常用的测试程序是以数据驱动的方式执行的,无法在这些地区可靠地使用。在我们的工作中,我们提出了三种方法来估计生成模型在训练相空间区域内外的不确定性,以及数据驱动的校准技术。最后给出了LHCb RICH快速仿真结果。
2022-10-18 cs.LG hep-ex hep-ph
Shedding Light on Large Generative Networks: Estimating Epistemic Uncertainty in Diffusion Models
Barcelona Supercomputing Center - Centro Nacional de Supercomputación (BSC-CNS)(巴塞罗那超级计算中心)
本文提出DECU框架,通过结合预训练参数高效训练条件扩散模型集成,并采用成对距离估计器评估互信息,准确估计大规模扩散模型的认知不确定性。
2024-06-05 cs.AI cs.CV cs.LG
Disentangled Uncertainty and Out of Distribution Detection in Medical Generative Models
Manipal Institute of Technology(马尼帕尔理工学院);University of Groningen(格罗宁根大学)
在医疗领域等安全关键环境中信任深度学习模型的预测仍然不是一个可行的选择。在医学成像领域中,不确定性量化的问题很少受到关注。在本文中,我们研究在医学领域的图像到图像的翻译任务中的解纠缠的不确定性。我们比较了多种不确定性量化方法,即Ensembles,Flipout,Dropout和DropConnect,同时使用CycleGAN将T1加权脑部MRI扫描转换为T2加权脑部MRI扫描。我们进一步评估了存在分布数据(脑CT和RGB面部图像)的不确定性行为,表明认知不确定性可以用于检测分布输入,这应该会增加模型输出的可靠性。
2022-11-11 cs.CV cs.LG eess.IV
Beyond Keywords: Leveraging Generative LLMs and Label Aggregation to Classify Economic Policy Uncertainty in News Articles
本研究利用生成式大语言模型和弱监督标签聚合技术,自动分类新闻中的经济政策不确定性,克服了关键词误报和人工标注成本高的局限,并支持多标签与层次分类。
2026-09-30 cs.AI cs.LG
MARS: Meaning-Aware Response Scoring for Uncertainty Estimation in Generative LLMs
Amazon AI(亚马逊人工智能)
针对生成式LLM输出的不确定性估计问题,提出意义感知响应评分(MARS)函数替代长度归一化评分,在多数据集和多LLM上实验证明可显著提升UE性能,并在医学QA数据集验证有效性。
2024-06-08 cs.CL cs.LG
Epistemic Generative Adversarial Networks
School of Engineering, Computing and Mathematics(工程、计算与数学学院);Oxford Brookes University(奥xford布鲁克斯大学)
本文基于Dempster-Shafer证据理论改进GAN损失函数,提出生成器预测像素质心函数的架构,提升生成多样性与不确定性建模能力。
2026-03-18 cs.CV cs.LG
GenAI4UQ: A Software for Inverse Uncertainty Quantification Using Conditional Generative Models
Oak Ridge National Laboratory(橡树岭国家实验室)
本文提出 GenAI4UQ 软件,利用条件生成式 AI 将观测直接映射为参数分布与预测,以高效支持逆不确定性量化、模型校准和集合预报。
2024-12-09 cs.LG physics.geo-ph
Enhancing Generative Molecular Design via Uncertainty-guided Fine-tuning of Variational Autoencoders
Texas A&M University(德克萨斯农工大学);Brookhaven National Laboratory(布鲁克海文国家实验室)
本文提出了一种基于主动学习的模型不确定性引导微调方法,通过在变分自编码器参数的低维活跃子空间中量化不确定性并结合黑盒优化,有效提升了生成式分子设计在下游属性优化任务中的表现。
2024-05-31 cs.LG q-bio.BM q-bio.QM
GUESS: Generative Uncertainty Ensemble for Self Supervision
West Virginia University(西弗吉尼亚大学)
针对自监督学习中确定性增强不变性可能损害下游性能的问题,提出GUESS伪白化框架,通过数据派生不确定性与多失真集成实现更鲁棒的表示学习。
2024-12-03 cs.CV cs.LG
Gaussian Process Deep Belief Networks: A Smooth Generative Model of Shape with Uncertainty Propagation
University of Bath(巴斯大学);University of Bristol(布里斯托大学)
目标的形状是分割、检测和跟踪等视觉问题的重要特征。由于独立于外观,因此可以从少量数据中概括到大范围的对象。然而,由于复杂的似然函数导致难以处理的后验,表示为轮廓图像的形状是具有挑战性的建模。在本文中,我们提出了一个生成模型的形状,它提供了一个低维的潜在编码,重要的是驻留在一个光滑的流形上的轮廓图像。所提出的模型以原则性的方式传播不确定性,允许它从少量数据中学习,并提供具有相关不确定性的预测。我们提供的实验表明,我们提出的模型提供了有利的定量结果相比,国家的最先进的,同时提供了一个表示,驻留在一个低维的可解释的流形。
2018-12-13 cs.CV cs.LG stat.ML
Generative Network-Based Reduced-Order Model for Prediction, Data Assimilation and Uncertainty Quantification
Applied Modelling and Computation Group(应用建模与计算组);Computation Group(计算组)
本研究提出一种将生成网络集成到降阶模型框架的新方法,仅用离散化偏微分方程的少量无条件模拟训练生成网络,可高效求解偏微分方程逆问题,准确匹配测量值与马尔可夫链蒙特卡洛金标准并量化不确定性,已在流行病学时空仓室模型中验证有效。
2023-09-05 cs.LG stat.ML
Generative Latent Diffusion Model for Inverse Modeling and Uncertainty Analysis in Geological Carbon Sequestration
本文提出CoNFiLD-geo模型,结合条件神经场编码与贝叶斯潜空间扩散,实现地质碳封存中高效、不确定性感知的正反演建模与数据同化。
2025-08-17 cs.LG physics.geo-ph
Conditional deep generative models as surrogates for spatial field solution reconstruction with quantified uncertainty in Structural Health Monitoring applications
National Technical University of Athens(雅典国立技术大学);School of Naval Architecture and Marine Engineering(船舶与海洋工程学院)
本文提出一种基于CNN的条件变分自编码器作为代理模型,用于结构健康监测中高维随机结构模拟的空间场重建,在保证重建精度的同时有效量化荷载不确定性。
2023-02-14 cs.AI cs.LG
Directional Concentration Uncertainty: A representational approach to uncertainty quantification for generative models
Department of Mechanical Engineering, Iowa State University, Ames, IA, USA(机械工程系,爱荷华州立大学);Pacific Northwest National Laboratory, Richland, WA, USA(太平洋西北国家实验室);Department of Statistics, North Carolina State University, Raleigh, NC, USA(统计系,北卡罗来纳州立大学)
本文提出方向性集中不确定性(DCU)方法,通过基于vMF分布的嵌入集中度量化,提升生成模型的不确定性量化性能,并在多模态任务中展现良好泛化能力。
2026-02-04 cs.AI cs.CL cs.LG