机器学习算法高级教程（四）

点开链接去下载源码, 深度学习当中不确定性量化,这些年成为人工智能研究里一个关键议题, 尤其是在优化进程以及决策制定里边呢应用变得越发关键, 文章名为深度学习不确定性量化技术应用与挑战详细探究了这个议题, 其目的主要是归纳当下已存在下方法, 检验其情况应用于不同场景, 并且明确当下所面难题还有未来探索方向。对于模型不确定程度与其预测结果可信度予以评估, 乃是不确定性量化UQ的主要宗旨所系, 这对防止决策失误以及增强系统稳定性起着决定性作用。于深度学习模型里, 鉴于模型结构的复杂程度以及训练数据存在限制, 模型有可能展现出高度的不确定性, 如此便让UQ成为深度学习至关重要的一部分。在不确定性量化的方法论方面, 文章指明了两种主要技术路径, 即贝叶斯近似方法和集成学习方法。能通过构建概率模型去推断模型参数的后验分布, 以这种方式捕捉模型内在不确定性的是贝叶斯近似而集成学习是靠组合多个模型的预测结果来减少单一模型的不确定性。这些技术在好多领域呈现出广泛应用前景, 这些领域有计算机视觉其中涵盖自动驾驶以及物体识别、图像处理比如说图像修复、医疗影像分析涉及医学影像的归类与分割、自然语言处理像文本归类和风险评估、生物信息学等等。于强化学习, 也就是 RL 的框架范围里, 不确定性量化那也是同样起着关键重要的作用。在并非静态的环境当中, 智能体是需要去评估它自身行为决策所能带来的不确定性的, 以此来做出更加合理的行动选择。不确定性量化的技术是能够给出关于奖励机制以及环境状态的不确定性评估的, 进而去帮助智能体更有效率地探索环境并且优化它的学习策略。虽然深度学习里面的不确定性量化已经取得了很大的进步, 然而依旧存在好些核心的难题。比如, 怎样以高效的方式去评估大型神经网络的不确定性, 尤其是当处于计算资源受到限制的状况下怎样把不确定性进行量化。