在自然语言处理(NLP)中，不确定度的准确估计对于许多困难或敏感的预测任务非常重要。尽管大规模的预训练模型极大地提高了整个领域应用机器学习模型的准确性，但仍有许多情况下它们失败了。精确量化不确定性的能力，在处理现代模型在现实世界中部署时可能面临的挑战场景时，对于可靠的、结果性的决策是至关重要的。本教程面向学术研究人员和行业从业者，全面介绍了NLP问题的不确定性估计——从概率校准的基本原理、贝叶斯推断和置信集(或区间)构建，到现代分布失衡检测和选择性推断的应用主题。
目录内容
成为VIP会员查看完整内容
Tutorial on Uncertainty Estimation for Natural Language Processing
相关内容
Arxiv
0+阅读 · 2022年11月17日
Combining Lipschitz and RBF Surrogate Models for High-dimensional Computationally Expensive Problems
Arxiv
0+阅读 · 2022年11月17日
Arxiv
12+阅读 · 2021年10月27日
相关VIP内容
相关资讯
微信扫码咨询专知VIP会员