Ang mga network na pang-ebolusyon ay higit at higit na ginagamit sa mga pangkaligtasang-pang-agham na aplikasyon tulad ng autonomous na sasakyan, medikal na diyagnosis, at mga sistemang aerospace.[kaibahan ng kawalang katiyakan sa kanilang mga prediksiyon ay mahalaga upang matiyak ang pagkamaaasahan at kaligtasan. Ang artikulong ito ay tumatalakay ng mga pamamaraan upang mabisang masukat at mabigyang kahulugan ang neural network na kawalang katiyakan.

Hindi Tiyak ang Pag - unawa sa Neural Network

Ang mga hindi tiyak sa mga prediksiyong neural network ay malawak na maiuuri sa dalawang mga uri: ang aleatoriko at epistemiko.Ang aleatorikong kawalang katiyakan ay bumabangon mula sa likas na ingay sa data, habang ang epistemikong kawalang katiyakan ay nagmumula sa kawalan ng kaalaman ng modelo. ang tumpak na quanipikasyon ng dalawang uri ay tumutulong sa pagtatantiya ng pagtitiwala ng mga output ng modelo.

Mga Paraan Upang Makamit ang Kawalang - katiyakan

Ilang mga pamamaraan ang ginagamit upang sukatin ang neural network unidad, kabilang ang Bayesian approachs, ensemble methods, at Monte Carlo dropout. Ang mga pamamaraang ito ay nagbibigay ng probabilistikong mga tantiya na nagpapakita ng mapagkakatiwalaang antas ng mga prediksiyon.

Praktikal na mga Pakinabang at mga Pag - aasikaso

Sa mga sistemang pangkaligtasan-mapag-ingat, mahalaga na isama ang mga walang katiyakang tantiya sa mga prosesong pagpapasiya-paggawa. halimbawa, kung ang kawalang katiyakan ng isang modelo ay lumampas sa isang tiyak na pagsisimula, ang sistema ay maaaring magbunsod ng mga babala o mga mekanismong fallback. Ang wastong pag-aaaklas ng mga hakbang na walang katiyakan ay kinakailangan upang maiwasan ang labis na pagtitiwala sa sarili.

  • Mga network ng neuron sa Bayesian
  • Di - malilimot na pagkatuto
  • Huminto sa Pag - aaral ang Monte Carlo
  • Mga pamamaraan ng Calibration