神經(jīng)網(wǎng)絡(luò)產(chǎn)生的證據(jù)直接捕捉了模型對(duì)其預(yù)測(cè)的信心，并包括了輸入數(shù)據(jù)以及模型最終決策中存在的任何不確定性。

已經(jīng)開發(fā)出一種新方法來快速評(píng)估神經(jīng)網(wǎng)絡(luò)的確定性。該模型可以提高依賴于AI輔助決策的現(xiàn)實(shí)系統(tǒng)中的效率。

麻省理工學(xué)院(MIT)和哈佛大學(xué)的一組研究人員開發(fā)了該方法，并在題為“深度證據(jù)回歸”的論文中對(duì)其進(jìn)行了詳細(xì)說明。

研究人員訓(xùn)練了他們的神經(jīng)網(wǎng)絡(luò)來分析圖像并估計(jì)距相機(jī)鏡頭的距離，這類似于自動(dòng)駕駛汽車用來評(píng)估與行人或另一輛汽車的接近程度。

麻省理工學(xué)院在一份新聞稿中指出，他們還用稍有變化的圖像對(duì)網(wǎng)絡(luò)進(jìn)行了測(cè)試，但是，它能夠發(fā)現(xiàn)變化，這可以幫助檢測(cè)諸如Deepfake的操縱。

麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室(CSAIL)主任Daniela Rus表示：“通過估算學(xué)習(xí)模型的不確定性，我們還可以了解模型會(huì)有多少錯(cuò)誤，以及哪些缺失數(shù)據(jù)可以改善模型。”發(fā)布。

部署了神經(jīng)網(wǎng)絡(luò)來識(shí)別大型復(fù)雜數(shù)據(jù)集中的模式，以幫助做出決策。

該團(tuán)隊(duì)設(shè)計(jì)了一種新的方法來生成“匯總輸出”，這意味著，除了做出決策外，它還將提供證據(jù)來支持來自單次神經(jīng)網(wǎng)絡(luò)運(yùn)行的決策。

麻省理工學(xué)院的一個(gè)版本解釋說，由神經(jīng)網(wǎng)絡(luò)產(chǎn)生的證據(jù)直接捕獲了模型對(duì)其預(yù)測(cè)的信心，并包括了輸入數(shù)據(jù)以及模型最終決定中存在的任何不確定性。