深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是人工智能系統(tǒng)，用于越來(lái)越重要的決策。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)用于從自動(dòng)駕駛到診斷醫(yī)療狀況等多種多樣的任務(wù)。這種類(lèi)型的網(wǎng)絡(luò)擅長(zhǎng)識(shí)別大型復(fù)雜數(shù)據(jù)集中的模式，以幫助做出決策。

一大挑戰(zhàn)是確定神經(jīng)網(wǎng)絡(luò)是否正確。研究人員在麻省理工學(xué)院和哈佛大學(xué)已經(jīng)制定了一個(gè)神經(jīng)網(wǎng)絡(luò)，通過(guò)數(shù)據(jù)流失，在其答案神經(jīng)網(wǎng)絡(luò)的置信水平一起提供預(yù)測(cè)的快捷方式。該項(xiàng)目的研究人員認(rèn)為，他們的系統(tǒng)可以挽救生命，因?yàn)樯疃葘W(xué)習(xí)已經(jīng)部署在現(xiàn)實(shí)世界中。

目前，神經(jīng)網(wǎng)絡(luò)的不確定性估計(jì)往往計(jì)算量大，而且對(duì)于瞬間決策來(lái)說(shuō)速度太慢。研究人員設(shè)計(jì)的方法稱(chēng)為“深度證據(jù)回歸”，可以加快過(guò)程，從而可能帶來(lái)更安全的結(jié)果。該項(xiàng)目的研究人員表示，我們需要能夠擁有高性能模型并了解模型的結(jié)果何時(shí)不可信。

深度學(xué)習(xí)在各種任務(wù)中表現(xiàn)出令人印象深刻的表現(xiàn)。在某些情況下，它已經(jīng)能夠超越人類(lèi)的準(zhǔn)確性。這些網(wǎng)絡(luò)擅長(zhǎng)在 99% 的時(shí)間內(nèi)知道正確的答案，但任何錯(cuò)誤都是不可接受的。研究人員設(shè)計(jì)了一種使用單次運(yùn)行神經(jīng)網(wǎng)絡(luò)來(lái)估計(jì)不確定性的方法。該網(wǎng)絡(luò)的設(shè)計(jì)增加了產(chǎn)生決策的輸出，并采用了新的概率分布來(lái)捕獲支持其決策的證據(jù)。

這些分布稱(chēng)為證據(jù)分布，直接捕獲模型對(duì)其預(yù)測(cè)的置信度。研究人員使用具有挑戰(zhàn)性的計(jì)算機(jī)視覺(jué)任務(wù)測(cè)試了他們的系統(tǒng)。他們訓(xùn)練神經(jīng)網(wǎng)絡(luò)分析雙目彩色圖像并估計(jì)每個(gè)像素的距離值。這是自動(dòng)駕駛汽車(chē)可能執(zhí)行的任務(wù)。新網(wǎng)絡(luò)的性能與之前最先進(jìn)的模型相當(dāng)，并增加了估計(jì)其不確定性的能力。