探索Evidential Deep Learning：一种新颖的深度学习不确定性建模方法

最新推荐文章于 2025-04-18 22:05:32 发布
最新推荐文章于 2025-04-18 22:05:32 发布
阅读量1.1k 收藏 8
点赞数 3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gitblog_00085/article/details/138208353
版权

探索Evidential Deep Learning：一种新颖的深度学习不确定性建模方法

项目地址:https://gitcode.com/gh_mirrors/ev/evidential-deep-learning

项目简介

在机器学习领域，（EDL）是一种创新性的技术，它致力于解决深度学习模型预测的不确定性问题。此项目由Aamini博士维护，提供了一套用于训练和评估具有证据理论支持的神经网络的框架。通过利用证据理论，EDL可以更好地表达模型的不确定性和置信度，从而提高决策的安全性和可靠性。

技术分析

EDL的核心在于将证据理论与深度学习结合。传统的深度学习模型通常生成单一的预测结果，但EDL引入了"证据分布"的概念，这允许模型表示出对多个可能答案的信心程度。这种表示方式不仅包含了"类别概率"（class probabilities），还涵盖了"不确定性"（uncertainty）信息，使得模型能够区分它是由于数据噪声还是自身知识局限导致的不确定性。

项目采用TensorFlow作为基础框架，并提供了各种模块化的层和损失函数，便于研究人员和开发者轻松地在现有模型中整合EDL。例如，EvidentialSoftmax层替代了传统的Softmax层，而EvidenceLoss则代替了CrossEntropyLoss，以适应证据理论的计算逻辑。

应用场景

EDL适用于需要理解和量化模型不确定性的场景，尤其是在风险敏感的应用中，如医疗诊断、自动驾驶或金融风控等。通过理解模型的不确定性，我们可以更明智地做出决策，避免过于自信的错误预测。此外，它还能帮助提升模型的鲁棒性，识别并处理异常值和噪声数据。

项目特点

  1. 理论创新：结合证据理论和深度学习，为模型的不确定性建模提供新的视角。
  2. 易于集成：基于TensorFlow实现，可以直接在现有的深度学习架构上进行扩展。
  3. 可解释性：除了预测结果，还能提供关于模型不确定性的信息，提高了模型的透明度。
  4. 广泛应用：适应于多种应用领域，特别是对不确定性有高要求的场景。

结语

Evidential Deep Learning项目为深度学习带来了一种新的思考方式，其潜力在于提高模型的稳健性和决策质量。对于寻求改进模型不确定性的研究者和开发人员来说，这是一个值得探索的宝贵资源。访问项目的GitCode仓库，开始你的EDL之旅吧！

希望这篇文章对你了解和应用Evidential Deep Learning有所帮助。如果你有任何疑问或者想要深入探讨，请不要犹豫，直接参与到项目社区的讨论中去吧！

evidential-deep-learning 项目地址: https://gitcode.com/gh_mirrors/ev/evidential-deep-learning

【论文笔记】【ICCV 2021 Oral】Evidential Deep Learning for Open Set Action Recognition
qq_36018232的博客
08-26 4071
Evidential Deep Learning for Open Set Action Recognition摘要解决问题本文贡献模型Overview模型结构第一部分 Evidential Neural Network第二部分 Evidential Uncertainty Calibration第三部分 Contrastive Evidence Debiasing实验DatasetEvaluation Protocol 论文地址：https://arxiv.org/pdf/2107.10161.pdf 摘
Evidential Deep Learning for Open Set Action Recognition CVPR2021开放集识别论文解读
pingguolou的博客
11-01 928
[5]Bao W, Yu Q, Kong Y. Evidential Deep Learning for Open Set Action Recognition[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 13349-13358. 综上所述，本文的贡献有三方面。 - 我们的深度证据行动识别（DEAR）方法执行了新的证据学习，以支持具有原则性和高效不确定性评估的开放集行动识别。 -
MIT 6.S191: Evidential Deep Learning学习笔记
Rad1ant_up的博客
12-15 4831
MIT公开课——Evidential Deep Learning
【读点论文】Evidential Deep Learning to Quantify Classification Uncertainty高置信度错误可能是softmax缺陷，通过迪利克雷计算不确定性
白水空空
04-09 620
OOD 指这么一类任务，即测试时遇到的样本和训练时的样本要么不是一个 class 的（新类检测），要么是属于同一个 class 的不同 domain 的图像（比如同一个疾病的不同模态；同一个人像的不同绘画风格；同一个图像源的不同采集角度、采集参数等等）。根据具体的任务，OOD 还能继续细分为 near OOD 和 far OOD。其中 near OOD 就是指长得和训练数据很像，但是仍然属于 OOD 范畴的输入数据。医学影像中的罕见病灶往往都符合 near OOD 的定义，因此，将这些玩意儿检测出来显得具有
Evidential Deep Learning和证据理论教材的区别（主要是概念）
最新发布
weixin_47006934的博客
04-18 696
最近终于彻底搞懂了Evidential Deep Learning，之前有很多看不是特别明白的地方，原来是和证据理论教材（是的，不只是国内老师写的，和国外的老师写的教材出入也比较大）的说法有很多不一样，所以特地写了这一篇来做一下笔记。），从国内证据理论教材的角度来讲，ENN还需要对介于单子集和FoD之间的那一部分假设赋予belief，但是ENN选择了直接赋为0的操作，这种操作是可以的，但是也应该要说明一下的，文章的话是直接把这块省略了。需要注意的是如果按照我们国内证据理论的教材的话，其实。
探索未知的深度学习：Evidential Deep Learning
gitblog_00248的博客
08-16 872
探索未知的深度学习：Evidential Deep Learning evidential-deep-learning项目地址:https://gitcode.com/gh_mirrors/ev/evidential-deep-learning 在这个数据爆炸的时代，机器学习模型已经成为我们日常生活和工作中不可或缺的一部分。然而，传统的机器学习模型往往忽视了一个关键点：不确定性。Evidenti...
evidential-deep-learning:使用神经网络学习快速，可扩展且经过校准的不确定性度量！
05-15
证据深度学习 “所有模型都是错误的，但是某些模型（知道何时可以信任它们）是有用的！” -乔治·博克斯（改编） 该存储库包含用于重现的代码（如所发布的），以及更通用的代码，以利用证据学习来训练神经网络，以直接从数据中学习不确定性！ 设置 要使用此软件包，必须首先安装以下依赖项： python（> = 3.7） 张量流（> = 2.0） pytorch（支持即将推出） 现在，您可以安装以开始为模型添加证据层和损失！ pip install evidential-deep-learning 现在，您可以直接在现有tf.keras模型管道（ Sequential ， Functional或model-subclassing ）的一部分中直接使用此包： >>> import evidential_deep_learning as edl 例子 要使用证据深度学习，必须将模型的最后
探索深度学习的不确定性：Evidential Deep Learning 框架
gitblog_00029的博客
06-07 727
探索深度学习的不确定性：Evidential Deep Learning 框架 项目地址:https://gitcode.com/gh_mirrors/py/pytorch-classification-uncertainty 项目介绍 欢迎来到 Evidential Deep Learning（EDL）的世界，这是一个专注于量化分类不确定性的开源项目。基于 PyTorch 实现，它提供了一个低计...
TrustGeo参文2：Deep evidential regression（深度证据回归）补充材料
sinat_41942180的博客
04-08 1096
到目前为止，这是我必须审查的所有代码中唯一能运行的代码。R3: 作者真的花了很大的精力来提供可运行的代码，这是值得赞扬的。我们相信这项工作通过其广泛的适用性和可访问、易于使用的代码支持新的研究。
【NeurIPS 2020】Deep Evidential Regression
This is Yu SI's blog. Kenny(司宇SIYU)
01-10 4313
Deterministic Neural Networks(NNs) 正越来越多地应用于关键的安全领域，在这些领域，校准、鲁棒和有效的不确定性措施至关重要。在本文中，我们提出了一种训练非贝叶斯神经网络来估计连续目标及其相关证据的新方法，以学习任意不确定性和认知不确定性。我们通过在原始高斯似然函数上放置证据先验和训练神经网络来推断证据分布的超参数来实现这一点。此外，我们在训练过程中施加先验，使得当模型的预测证据与正确的输出不一致时，模型被正则化。
【论文阅读】Active Learning for Deep Object Detection via Probabilistic Modeling
w.here的CSDN
08-14 1547
Choi J, Elezi I, Lee H J, et al. Active Learning for Deep Object Detection via Probabilistic Modeling[J]. arXiv preprint arXiv:2103.16130, 2021. 摘要 本文的方法依赖于混合密度网络，这个网络能够估计每个定位和分类头输出的概率分布。本文通过单模型的前向传播来估计偶然不确定性和认知不确定性。本文的方法通过一个评分函数来总结这两种类型的不确定性设为两个部分来获取每张图
[MIAL] Multiple Instace Active Learning for Object Detection(CVPR. 2021)
Ah丶Weii
03-07 1519
​ 1. Motivation ​ 目前主动学习（active learning）在图像分类上取得了巨大的进步，但是在目标检测领域，还缺乏一种instance-level的主动学习方法。 ​ 在这篇文章中，作者提出了多实例主动学习（MIAL），通过观察instance-level的uncertainty，来为检测器的训练挑选最informative的图片。 ​ 如图1所示，图a表示传统的方法，没有考虑负样本在目标检测中的不平衡问题，负样本产生了背景中的noisy instances，并干扰了image u
Evidential Deep Learning 项目教程
gitblog_00065的博客
05-26 519
Evidential Deep Learning 项目教程 evidential-deep-learning 项目地址: https://gitcode.com/gh_mirrors/ev/evidential-deep-learning ...
Evidential Deep Learning to Quantify Classification Uncertainty
Rad1ant_up的博客
12-29 2435
Evidetial Deep Learning经典论文
Evidential Deep Learning to Quantify Classification Uncertainty-2018-部分翻译
weixin_44414527的博客
03-28 2443
证据学习
【Out-of-Distribution Detection】Evidential Deep Learning in NeurIPS 2018 个人理解
研究兴趣：开放集识别、开放世界识别、新类发现、增量学习、少样本学习
12-18 1920
核心思想是将分类器的概率输出视为一个狄利克雷分布（Dirichlet Distribution）并替换，之后引入两个损失分别负责保证预测结果准确性和提升被错误分类的样本的不确定性。
探索未知领域：深度学习的不确定性建模——DSU项目推荐
gitblog_00086的博客
06-16 592
探索未知领域：深度学习的不确定性建模——DSU项目推荐 去发现同类优质开源项目:https://gitcode.com/ 在人工智能领域不断探索的今天，模型的泛化能力成为了学术界和工业界共同追求的目标。尤其是在面对多样性和复杂性日益增长的数据分布时，如何让我们的模型具备更好的鲁棒性和泛化能力，是摆在面前的一大挑战。而今天，我们为你带来的是一个前沿解决方案——Uncertainty Modeling...
Evidential Deep Learning 开源项目指南
gitblog_00501的博客
08-16 709
Evidential Deep Learning 开源项目指南 项目地址:https://gitcode.com/gh_mirrors/ev/evidential-deep-learning 1、项目介绍 Evidential Deep Learning 是一个旨在量化分类不确定性的人工智能项目。该项目提供了一种新颖的方法来处理深度学习模型中的预测置信度，通过显式地建模主观逻辑理论下的不确定性。不...
论文笔记: 分类不确定性计算的证据深度学习方法
minfanphd的博客
11-03 2660
摘要: 本文描述对论文 Murat Sensoy, Lance Kaplan, Melih Kandemir, Evidential deep learning to quantify classification uncertainty, NIPS 2018 的理解.
快速学习不确定性的证据深度学习方法
资源摘要信息:"证据深度学习（Evidential Deep Learning）是一种先进的机器学习范式，其核心目标是训练神经网络，使其能够直接从数据中学习不确定性。在机器学习和深度学习的语境中，'不确定性'主要指模型对于其预测...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

林泽炯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值