?PaperWeekly 原創(chuàng) ·?作者?|?王馨月

學(xué)校?|?四川大學(xué)本科生

研究方向?|?自然語言處理

概要

在過去的十年中，神經(jīng)網(wǎng)絡(luò)幾乎遍及所有科學(xué)領(lǐng)域，并成為各種現(xiàn)實(shí)世界應(yīng)用的重要組成部分。由于日益普及，對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的置信度變得越來越重要。然而，基本的神經(jīng)網(wǎng)絡(luò)不能提供確定性的估計(jì)，或者存在自信過度或不足的問題，即校準(zhǔn)不當(dāng)。為了克服這個(gè)問題，許多研究人員一直致力于理解和量化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中的不確定性。因此，已經(jīng)確定了不確定性的不同類型和來源，并且已經(jīng)提出了各種測(cè)量和量化神經(jīng)網(wǎng)絡(luò)中不確定性的方法。

這項(xiàng)工作全面概述了神經(jīng)網(wǎng)絡(luò)中的不確定性估計(jì)，回顧了該領(lǐng)域的最新進(jìn)展，突出了當(dāng)前的挑戰(zhàn)，并確定了潛在的研究機(jī)會(huì)。它旨在為對(duì)神經(jīng)網(wǎng)絡(luò)中的不確定性預(yù)測(cè)感興趣的人提供廣泛的概述和介紹，而無需預(yù)先假定該領(lǐng)域的先驗(yàn)知識(shí)。

論文標(biāo)題：

A Survey of Uncertainty in Deep Neural Networks

論文鏈接：

https://arxiv.org/pdf/2107.03342.pdf

為此，這項(xiàng)工作全面介紹了最重要的不確定性來源，并將它們分為可減少的模型不確定性和不可減少的數(shù)據(jù)不確定性。介紹了基于確定性神經(jīng)網(wǎng)絡(luò)、貝葉斯神經(jīng)網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)集成和測(cè)試時(shí)間數(shù)據(jù)增強(qiáng)方法對(duì)這些不確定性的建模，并討論了這些領(lǐng)域的不同分支以及最新發(fā)展。

對(duì)于實(shí)際應(yīng)用，我們討論了不同的不確定性度量、神經(jīng)網(wǎng)絡(luò)校準(zhǔn)方法，并概述了現(xiàn)有基線和可用實(shí)現(xiàn)。來自醫(yī)學(xué)圖像分析、機(jī)器人和地球觀測(cè)領(lǐng)域的廣泛挑戰(zhàn)的不同示例給出了有關(guān)神經(jīng)網(wǎng)絡(luò)實(shí)際應(yīng)用中不確定性的需求和挑戰(zhàn)的想法。此外，還討論了用于重視任務(wù)和安全的現(xiàn)實(shí)世界應(yīng)用的神經(jīng)網(wǎng)絡(luò)中不確定性量化方法的實(shí)際局限性，并給出了對(duì)此類方法更廣泛使用的下一步的展望。

引言

在過去十年中，深度神經(jīng)網(wǎng)絡(luò)（DNN）取得了巨大進(jìn)步，激勵(lì)著它們?cè)谛枰獙?duì)復(fù)雜系統(tǒng)進(jìn)行建模或理解的各種研究領(lǐng)域中進(jìn)行調(diào)整，例如地球觀測(cè)、醫(yī)學(xué)圖像分析或機(jī)器人技術(shù)。盡管 DNN 在醫(yī)學(xué)圖像分析或自動(dòng)駕駛車輛控制等高風(fēng)險(xiǎn)領(lǐng)域變得有吸引力，但它們?cè)谥匾暼蝿?wù)和安全的現(xiàn)實(shí)世界應(yīng)用中的部署仍然有限。造成這種限制的主要因素是：

• 深度神經(jīng)網(wǎng)絡(luò)的推理模型缺乏表現(xiàn)力和透明度，這使得很難相信他們的結(jié)果

• 無法區(qū)分領(lǐng)域內(nèi)和領(lǐng)域外樣本以及對(duì)領(lǐng)域遷移的敏感性

• 無法為深度神經(jīng)網(wǎng)絡(luò)的決策和頻繁發(fā)生的過度自信的預(yù)測(cè)提供可靠的不確定性估計(jì)

• 對(duì)于對(duì)抗性攻擊的敏感性，使深層神經(jīng)網(wǎng)絡(luò)容易受到破壞

這些因素主要基于數(shù)據(jù)中已經(jīng)包含的不確定性（數(shù)據(jù)不確定性）或缺乏對(duì)神經(jīng)網(wǎng)絡(luò)的了解（模型不確定性）。為了克服這些限制，必須提供不確定性估計(jì)，以便可以忽略不確定的預(yù)測(cè)或?qū)⑵鋫鬟f給人類專家。提供不確定性估計(jì)不僅對(duì)高風(fēng)險(xiǎn)領(lǐng)域的安全決策很重要，而且在數(shù)據(jù)源高度不均勻且標(biāo)記數(shù)據(jù)稀少的領(lǐng)域（例如遙感）也至關(guān)重要。同樣對(duì)于不確定性構(gòu)成學(xué)習(xí)技術(shù)關(guān)鍵部分的領(lǐng)域，例如主動(dòng)學(xué)習(xí)或強(qiáng)化學(xué)習(xí)，不確定性估計(jì)非常重要。

如圖，是數(shù)據(jù)、模型以及分類和回歸模型的分布不確定性的可視化。

近年來，研究人員對(duì)估計(jì) DNN 中的不確定性表現(xiàn)出越來越大的興趣。估計(jì)預(yù)測(cè)的不確定性（預(yù)測(cè)不確定性）的最常見方法是基于對(duì)模型引起的不確定性（認(rèn)知或模型不確定性）和數(shù)據(jù)引起的不確定性（任意或數(shù)據(jù)不確定性）進(jìn)行單獨(dú)建模。

雖然模型不確定性可以通過改進(jìn) DNN 學(xué)習(xí)的模型來簡(jiǎn)化，但數(shù)據(jù)不確定性是不可簡(jiǎn)化的。對(duì)這種分離進(jìn)行建模的最重要方法是貝葉斯推理、集成方法、測(cè)試時(shí)間數(shù)據(jù)增強(qiáng)方法或包含表示模型和數(shù)據(jù)不確定性的顯式組件的單一確定性網(wǎng)絡(luò)。

估計(jì)預(yù)測(cè)不確定性不足以進(jìn)行安全決策。此外，確保不確定性估計(jì)是可靠的至關(guān)重要。為此，研究了 DNN 的校準(zhǔn)特性（可靠性程度），并提出了重新校準(zhǔn)方法以獲得可靠（校準(zhǔn)良好）的不確定性估計(jì)。

有幾項(xiàng)工作介紹和概述了統(tǒng)計(jì)建模中的不確定性。Ghanem 等人出版了一本關(guān)于不確定性量化的手冊(cè)，其中包括對(duì)不確定性量化的不同概念的詳細(xì)而廣泛的描述，但沒有明確關(guān)注神經(jīng)網(wǎng)絡(luò)的應(yīng)用。Gal 和 Kendall 的論文很好地概述了貝葉斯神經(jīng)網(wǎng)絡(luò)，尤其是蒙特卡羅（MC）Dropout 方法及其在計(jì)算機(jī)視覺任務(wù)中的應(yīng)用。

Malinin 的論文還包含對(duì)先驗(yàn)網(wǎng)絡(luò)的非常好的介紹和其他見解。王等人貢獻(xiàn)了兩項(xiàng)關(guān)于貝葉斯深度學(xué)習(xí)的調(diào)查，他們介紹了貝葉斯神經(jīng)網(wǎng)絡(luò)（BNN）的一般框架和概念描述，然后介紹了用于神經(jīng)網(wǎng)絡(luò)中不確定性量化的貝葉斯方法、特別關(guān)注推薦系統(tǒng)、主題模型和控制。在深度學(xué)習(xí)中的不確定性量化評(píng)估中，通過展示和比較基于 softmax 輸出、網(wǎng)絡(luò)集成、貝葉斯神經(jīng)網(wǎng)絡(luò)和 MNIST 數(shù)據(jù)集上的自動(dòng)編碼器的不確定性量化來給出。

關(guān)于不確定性量化方法在現(xiàn)實(shí)生活任務(wù)和安全關(guān)鍵應(yīng)用中的實(shí)用性，Gustafsson 等人引入了一個(gè)框架來測(cè)試現(xiàn)實(shí)世界計(jì)算機(jī)視覺應(yīng)用程序所需的穩(wěn)健性，并比較了兩種流行的方法，即 MC Dropout 和 Ensemble 方法。Hullermeier 等人介紹了神經(jīng)網(wǎng)絡(luò)中任意和認(rèn)知不確定性的概念，并討論了對(duì)它們進(jìn)行建模和量化的不同概念。與此相反，Abdar 等人概述了神經(jīng)網(wǎng)絡(luò)中的不確定性量化方法，并為不同的應(yīng)用領(lǐng)域提供了廣泛的參考清單，并討論了開放挑戰(zhàn)。

在這項(xiàng)工作中，我們對(duì)在處理神經(jīng)網(wǎng)絡(luò)中的不確定性時(shí)必須考慮的所有概念進(jìn)行了廣泛的概述，同時(shí)牢記在現(xiàn)實(shí)世界應(yīng)用中的適用性。我們的目標(biāo)是為讀者提供從不確定性來源到需要不確定性估計(jì)的應(yīng)用的清晰線索。此外，我們指出了當(dāng)前方法的局限性，并討論了未來要解決的進(jìn)一步挑戰(zhàn)。

為此，我們對(duì)不同的方法和基本概念進(jìn)行了廣泛的介紹和比較。該調(diào)查主要面向已經(jīng)熟悉深度學(xué)習(xí)概念并計(jì)劃將不確定性估計(jì)納入其預(yù)測(cè)的人員。但對(duì)于已經(jīng)熟悉該主題的人來說，這篇評(píng)論提供了對(duì)神經(jīng)網(wǎng)絡(luò)中不確定性的整個(gè)概念及其在不同領(lǐng)域中的應(yīng)用的有用概述。

總之，我們?nèi)嬗懻摿?#xff1a;

• 不確定性的來源和類型

• 用于估計(jì) DNN 中不確定性的最新研究和方法

• 評(píng)估不確定性估計(jì)的質(zhì)量和影響的不確定性度量和方法

• 校準(zhǔn) DNN 的最新研究和方法

• 對(duì)常用評(píng)估數(shù)據(jù)集、可用基準(zhǔn)和實(shí)施的概述

• 使用不確定性估計(jì)的實(shí)際應(yīng)用概述

• 關(guān)于當(dāng)前挑戰(zhàn)和未來進(jìn)一步研究方向的討論

一般來說，如果沒有不同的說明，估計(jì)不確定性和校準(zhǔn) DNN 的原則和方法可以應(yīng)用于所有回歸、分類和分割問題。為了更深入地了解這些方法的明確應(yīng)用，我們參考了應(yīng)用部分和參考文獻(xiàn)中的進(jìn)一步閱讀。

如圖，是本文介紹的四種不同類型的不確定性量化方法（基于確定性神經(jīng)網(wǎng)絡(luò)、貝葉斯神經(jīng)網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)集成和測(cè)試時(shí)間數(shù)據(jù)增強(qiáng)）以及基本原理的可視化。

如圖，是本文介紹的不同類型不確定度校準(zhǔn)方法（正則化方法、后處理方法、不確定性估計(jì)方法）的可視化。

總結(jié)與展望

總結(jié)——當(dāng)前的不確定性量化方法在現(xiàn)實(shí)世界中的應(yīng)用效果如何？

盡管過去幾年神經(jīng)網(wǎng)絡(luò)在不確定性量化方面取得了許多進(jìn)展，但它們?cè)趯?shí)際任務(wù)和安全關(guān)鍵應(yīng)用中的采用仍然有限。造成這種情況的原因有很多，下面一一討論：

缺少對(duì)現(xiàn)實(shí)世界問題現(xiàn)有方法的驗(yàn)證：盡管 DNN 已成為解決眾多計(jì)算機(jī)視覺和醫(yī)學(xué)圖像處理任務(wù)的事實(shí)標(biāo)準(zhǔn)，大多數(shù)現(xiàn)有模型還是無法適當(dāng)量化其推論所固有的不確定性，特別是在實(shí)際應(yīng)用中。

這主要是因?yàn)榛€模型大多是使用標(biāo)準(zhǔn)數(shù)據(jù)集開發(fā)的，例如 Cifar10/100、ImageNet 或特定于特定用例的眾所周知的回歸數(shù)據(jù)集，因此不容易適用于復(fù)雜的現(xiàn)實(shí)世界環(huán)境，例如低分辨率衛(wèi)星數(shù)據(jù)或其他受噪聲影響的數(shù)據(jù)源。盡管來自其他領(lǐng)域的許多研究人員在他們的領(lǐng)域中應(yīng)用了不確定性量化，但基于不同現(xiàn)實(shí)世界應(yīng)用的現(xiàn)有方法的廣泛和結(jié)構(gòu)化評(píng)估尚不可用。

缺乏標(biāo)準(zhǔn)化的評(píng)估協(xié)議：評(píng)估估計(jì)不確定度的現(xiàn)有方法更適合比較基于可測(cè)量的不確定度量化方法，例如校準(zhǔn)或分布外檢測(cè)的性能。這些測(cè)試是在機(jī)器學(xué)習(xí)社區(qū)內(nèi)的標(biāo)準(zhǔn)化集上執(zhí)行的。此外，這些實(shí)驗(yàn)的細(xì)節(jié)可能因不同論文的實(shí)驗(yàn)設(shè)置而異。然而，仍然沒有一個(gè)明確的標(biāo)準(zhǔn)化測(cè)試協(xié)議，能夠?qū)Σ淮_定性量化方法進(jìn)行測(cè)試。

對(duì)于來自其他領(lǐng)域的研究人員來說，很難直接找到他們感興趣的領(lǐng)域的最先進(jìn)的方法，更不用說關(guān)于關(guān)注不確定性量化的哪個(gè)子領(lǐng)域的艱難決定了。這使得對(duì)最新方法的直接比較變得困難，并且也限制了當(dāng)前用于不確定性量化的現(xiàn)有方法的接受和采用。

無法評(píng)估與單一決策相關(guān)的不確定性：用于評(píng)估估計(jì)不確定性（例如：預(yù)期校準(zhǔn)誤差）的現(xiàn)有措施基于整個(gè)測(cè)試數(shù)據(jù)集。這意味著，相較于不平衡數(shù)據(jù)集上的分類任務(wù)，與單個(gè)樣本或小樣本組相關(guān)的不確定性可能會(huì)偏向于數(shù)據(jù)集其余部分的性能。

但是對(duì)于實(shí)際應(yīng)用，評(píng)估預(yù)測(cè)置信度的可靠性將比基于某些與當(dāng)前情況無關(guān)的測(cè)試數(shù)據(jù)的聚合可靠性提供更多的可能性。特別是對(duì)于重視任務(wù)和安全的應(yīng)用程序，逐點(diǎn)評(píng)估措施可能是最重要的，因此這種評(píng)估方法是非常可取的。

缺乏真實(shí)的不確定性：當(dāng)前的方法是根據(jù)經(jīng)驗(yàn)評(píng)估的，其性能通過合理且可解釋的不確定性值得到強(qiáng)調(diào)。可用于驗(yàn)證的真實(shí)不確定性通常不可用。此外，即使現(xiàn)有方法在給定數(shù)據(jù)集上進(jìn)行校準(zhǔn)，也不能簡(jiǎn)單地將這些結(jié)果轉(zhuǎn)移到任何其他數(shù)據(jù)集，因?yàn)槿藗儽仨氁庾R(shí)到數(shù)據(jù)分布的變化，而且許多領(lǐng)域只能覆蓋實(shí)際數(shù)據(jù)的一小部分環(huán)境。

在 EO（地球觀測(cè)）等應(yīng)用領(lǐng)域，準(zhǔn)備大量訓(xùn)練數(shù)據(jù)既困難又昂貴，因此可以使用合成數(shù)據(jù)來訓(xùn)練模型。對(duì)于這種人工數(shù)據(jù)，應(yīng)考慮標(biāo)簽和數(shù)據(jù)中的人工不確定性，以便更好地了解不確定性量化性能。真實(shí)數(shù)據(jù)和合成數(shù)據(jù)之間的差距，或估計(jì)的不確定性和真實(shí)的不確定性之間的差距進(jìn)一步限制了采用當(dāng)前現(xiàn)有的不確定性量化方法。

可解釋性問題：現(xiàn)有的神經(jīng)網(wǎng)絡(luò)不確定性量化方法提供了確定性的預(yù)測(cè)，而沒有任何關(guān)于可能導(dǎo)致不確定性的線索。盡管這些確定性值對(duì)于人類觀察者來說通常看起來是合理的，但人們不知道這些不確定性是否實(shí)際上是基于人類觀察者所做的相同觀察而預(yù)測(cè)的。但是，如果不確定單個(gè)不確定性估計(jì)的原因和動(dòng)機(jī)，從一個(gè)數(shù)據(jù)集到另一個(gè)數(shù)據(jù)集的正確轉(zhuǎn)移，甚至只是域轉(zhuǎn)移，在保證性能的情況下實(shí)現(xiàn)起來要困難得多。

關(guān)于安全關(guān)鍵的現(xiàn)實(shí)生活應(yīng)用，缺乏可解釋性使得可用方法的應(yīng)用變得更加困難。除了神經(jīng)網(wǎng)絡(luò)決策的可解釋性之外，現(xiàn)有的不確定性量化方法在更高層次上還沒有得到很好的理解。例如，解釋單一確定性方法、集成或貝葉斯方法的行為是當(dāng)前的研究方向，仍然難以掌握每一個(gè)細(xì)節(jié)。然而，了解這些方法如何運(yùn)作和捕獲不確定性以識(shí)別改進(jìn)途徑、檢測(cè)和表征不確定性、故障和重要缺陷是至關(guān)重要的。

展望

通用評(píng)估框架：正如上面已經(jīng)討論過的，關(guān)于不確定性方法的評(píng)估仍然存在問題，如缺乏“ground truth”不確定性、無法在單個(gè)實(shí)例上進(jìn)行測(cè)試以及標(biāo)準(zhǔn)化的基準(zhǔn)測(cè)試協(xié)議等。為了應(yīng)對(duì)這些問題，提供包含涵蓋所有類型不確定性的各種具體基線數(shù)據(jù)集和評(píng)估指標(biāo)的評(píng)估協(xié)議無疑將有助于促進(jìn)不確定性量化的研究。

此外，還應(yīng)考慮對(duì)風(fēng)險(xiǎn)規(guī)避和最壞情況的評(píng)估。這意味著，具有非常高預(yù)測(cè)不確定性的不確定性預(yù)測(cè)永遠(yuǎn)不會(huì)失敗，例如對(duì)紅色或綠色交通燈的預(yù)測(cè)。這種通用協(xié)議將使研究人員能夠輕松地將不同類型的方法與既定的基準(zhǔn)以及現(xiàn)實(shí)世界的數(shù)據(jù)集進(jìn)行比較。會(huì)議和期刊應(yīng)鼓勵(lì)采用這種標(biāo)準(zhǔn)評(píng)估協(xié)議。

基線的專家和系統(tǒng)比較：目前還沒有對(duì)現(xiàn)實(shí)世界應(yīng)用中不確定性估計(jì)的現(xiàn)有方法進(jìn)行廣泛和結(jié)構(gòu)化的比較。在當(dāng)前的機(jī)器學(xué)習(xí)研究論文中，對(duì)現(xiàn)實(shí)世界數(shù)據(jù)的評(píng)估甚至不是標(biāo)準(zhǔn)。因此，對(duì)于特定的應(yīng)用，尚不清楚哪種不確定性估計(jì)方法效果最好，以及最新方法是否在現(xiàn)實(shí)世界的例子中也優(yōu)于舊方法。

這也部分是由于這樣一個(gè)事實(shí)，即來自其他領(lǐng)域的研究人員使用不確定性量化方法，通常在特定問題或手工數(shù)據(jù)集上成功應(yīng)用單一方法。考慮到這一點(diǎn)，可以采用幾點(diǎn)以便在不同研究領(lǐng)域內(nèi)進(jìn)行更好的比較。例如，領(lǐng)域?qū)＜疫€應(yīng)該將不同的方法相互比較，并展示該領(lǐng)域中單一方法的弱點(diǎn)。

同樣，為了更好地在多個(gè)領(lǐng)域之間進(jìn)行比較，可以在中央平臺(tái)上收集和交換不同現(xiàn)實(shí)世界領(lǐng)域中所有作品的集合。這樣的平臺(tái)還可以幫助機(jī)器學(xué)習(xí)研究人員在現(xiàn)實(shí)世界中提供額外的挑戰(zhàn)來源，并將為廣泛突出當(dāng)前最先進(jìn)方法的弱點(diǎn)鋪平道路。谷歌關(guān)于神經(jīng)網(wǎng)絡(luò)不確定性基線的存儲(chǔ)庫(kù)可能是這樣一個(gè)平臺(tái)，也是朝著實(shí)現(xiàn)這一目標(biāo)邁出的一步。

不確定性基本事實(shí)：由于缺乏不確定的基本事實(shí)，驗(yàn)證現(xiàn)有方法仍然很困難。可以以類似 ImageNet 的方式比較方法的實(shí)際不確定性基礎(chǔ)事實(shí)將使對(duì)單個(gè)樣本的預(yù)測(cè)的評(píng)估成為可能。為了實(shí)現(xiàn)這一點(diǎn)，可能會(huì)更詳細(xì)地調(diào)查對(duì)數(shù)據(jù)生成過程和發(fā)生的不確定性來源（例如標(biāo)記過程）的評(píng)估。

可解釋性和物理模型：了解錯(cuò)誤的高確定性或低確定性的實(shí)際原因可以更容易地為現(xiàn)實(shí)生活應(yīng)用設(shè)計(jì)方法，這再次增加了人們對(duì)此類方法的信任。最近，Antoran 等人聲稱發(fā)表了關(guān)于可解釋不確定性估計(jì)的第一部著作。

一般來說，不確定性估計(jì)是邁向可解釋人工智能的重要一步。可解釋的不確定性估計(jì)將更深入地了解神經(jīng)網(wǎng)絡(luò)的決策過程，在 DNN 的實(shí)際部署中，神經(jīng)網(wǎng)絡(luò)應(yīng)結(jié)合所需的規(guī)避風(fēng)險(xiǎn)能力，同時(shí)在現(xiàn)實(shí)世界中保持適用（尤其是安全關(guān)鍵應(yīng)用）。

此外，使用基于物理的論點(diǎn)提高可解釋性的可能性提供了巨大的潛力。雖然 DNN 非常靈活和高效，但它們并沒有直接嵌入領(lǐng)域特定的專家知識(shí)，這些知識(shí)通常可用數(shù)學(xué)或物理模型來描述，例如地球系統(tǒng)科學(xué)問題。這種物理引導(dǎo)模型提供了多種可能性，可以將顯性知識(shí)和實(shí)際的不確定性表示包含到深度學(xué)習(xí)框架中。

更多閱讀

#投 稿?通 道#

?讓你的文字被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？答案就是：你不認(rèn)識(shí)的人。

總有一些你不認(rèn)識(shí)的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵(lì)高校實(shí)驗(yàn)室或個(gè)人，在我們的平臺(tái)上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)術(shù)熱點(diǎn)剖析、科研心得或競(jìng)賽經(jīng)驗(yàn)講解等。我們的目的只有一個(gè)，讓知識(shí)真正流動(dòng)起來。

?????稿件基本要求：

? 文章確系個(gè)人原創(chuàng)作品，未曾在公開渠道發(fā)表，如為其他平臺(tái)已發(fā)表或待發(fā)表的文章，請(qǐng)明確標(biāo)注?

? 稿件建議以?markdown?格式撰寫，文中配圖以附件形式發(fā)送，要求圖片清晰，無版權(quán)問題

? PaperWeekly 尊重原作者署名權(quán)，并將為每篇被采納的原創(chuàng)首發(fā)稿件，提供業(yè)內(nèi)具有競(jìng)爭(zhēng)力稿酬，具體依據(jù)文章閱讀量和文章質(zhì)量階梯制結(jié)算

?????投稿通道：

? 投稿郵箱：hr@paperweekly.site?

? 來稿請(qǐng)備注即時(shí)聯(lián)系方式（微信），以便我們?cè)诟寮x用的第一時(shí)間聯(lián)系作者

? 您也可以直接添加小編微信（pwbot02）快速投稿，備注：姓名-投稿

△長(zhǎng)按添加PaperWeekly小編

????

現(xiàn)在，在「知乎」也能找到我們了

進(jìn)入知乎首頁(yè)搜索「PaperWeekly」

點(diǎn)擊「關(guān)注」訂閱我們的專欄吧

關(guān)于PaperWeekly

PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺(tái)。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號(hào)后臺(tái)點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結(jié)

以上是生活随笔為你收集整理的慕尼黑工业大学最新综述：深度神经网络中的不确定性的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。