Краткое содержание

arXiv:2405.20550v2 Тип объявления: замена Аннотация: Мы представляем критический обзор согласованности методов количественной оценки неопределенности, используемых в глубоком обучении, и выделяем проблемы частичного охвата неопределенности и многочисленные противоречия. Затем мы предлагаем всеобъемлющую и статистически согласованную систему для количественной оценки неопределенности в глубоком обучении, которая учитывает все основные источники неопределенности: входные данные, данные для обучения и тестирования, веса нейронной сети и несовершенства модели машинного обучения, ориентируясь на задачи регрессии. Мы систематически количественно оцениваем каждый источник, применяя теорему Байеса и функции плотности условной вероятности, и представляем быстрый практический метод реализации. Мы демонстрируем его эффективность на простой задаче регрессии и на реальном практическом применении: прогнозировании скоростей автоконверсии облаков с использованием нейронной сети, обученной на измерениях с самолетов с Азорских островов и управляемой двухмоментной бинной моделью стохастического уравнения коагуляции. В этом приложении неопределенность