深度神经网络不确定性研究综述论文

由于神经网络的日益普及，对神经网络预测的信心变得越来越重要。然而，基本的神经网络不会给出确定性估计，也不会受到信心过度或不足的影响。许多研究人员一直致力于理解和量化神经网络预测中的不确定性。因此，不同类型和来源的不确定性已被识别，并提出了各种方法来测量和量化神经网络中的不确定性。本工作对神经网络中的不确定性估计进行了全面的概述，综述了该领域的最新进展，突出了当前的挑战，并确定了潜在的研究机会。它旨在给任何对神经网络中的不确定性估计感兴趣的人一个广泛的概述和介绍，而不预设在这一领域有先验知识。对不确定性的主要来源进行了全面的介绍，并将它们分为可约模型不确定性和不可约数据不确定性。本文介绍了基于确定性神经网络、贝叶斯神经网络、神经网络集成和测试时间数据增强等方法对这些不确定性的建模，并讨论了这些领域的不同分支和最新进展。对于实际应用，我们讨论不确定性的不同措施，校准神经网络的方法，并给出现有基线和实现的概述。来自不同领域广泛挑战的不同例子，提供了实际应用中有关不确定性的需求和挑战的概念。此外，讨论了当前用于任务和安全关键的现实世界应用的方法的实际限制，并展望了未来的步骤，以更广泛地使用这些方法。

https://www.zhuanzhi.ai/paper/9a9009dae03438c7a71e0bc1b54de0fa