【NeurIPS2020教程】深度学习的不确定性估计和鲁棒性，109页ppt

深度学习模型在分布外预测方面表现不佳: 它们往往做出高置信预测，这在现实世界的应用中是有问题的，比如医疗保健、自动驾驶汽车和自然语言系统，或者在训练数据和模型预测所依据的数据之间存在差异的情况下，这些应用存在相当大的安全隐患。现在迫切需要了解模型何时不应该进行预测，以及改进模型对数据中自然变化的健壮性。本教程将对深度学习中的不确定性和健壮性进行概述。也就是说，我们检查校准和非分布泛化作为关键任务。然后，我们将深入探讨有希望的途径。这包括平均多个神经网络预测的方法，如贝叶斯神经网络、集成、和高斯过程;在总体参数或预测时间效率方面处于尺度前沿的方法 ;以及鼓励诱导偏差的方法，如数据增强。我们将这些想法建立在经验理解和理论的基础上，并通过基准和技巧提供实际的建议。最后，我们强调该领域的开放挑战。

https://nips.cc/Conferences/2020/Schedule?showEvent=16649

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“UER” 就可以获取《【NeurIPS2020教程】深度学习的不确定性估计和鲁棒性，109页ppt》专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源