深度學習神經(jīng)網(wǎng)絡是一種人工智能系統(tǒng)，正在被用于越來越重要的決策，例如從自動駕駛到診斷醫(yī)療條件等各種任務。這種類型的網(wǎng)絡擅長識別大型和復雜數(shù)據(jù)集中的模式，以幫助決策。一個很大的挑戰(zhàn)是確定神經(jīng)網(wǎng)絡的判斷是否正確。麻省理工學院和哈佛大學的研究人員開發(fā)了一種快速的方法，讓神經(jīng)網(wǎng)絡在數(shù)據(jù)中提供預測資深對其答案的信心水平。

該項目的研究人員認為，他們的系統(tǒng)可以拯救生命，因為深度學習已經(jīng)部署在現(xiàn)實世界中。

目前，神經(jīng)網(wǎng)絡的不確定性來自于計算成本往往很高，而且對于瞬間的決策來說速度太慢。研究人員設計的方法被稱為 “深度證據(jù)回歸”，加快了這一過程，可能會帶來更安全的結果。該項目的研究人員表示，我們需要有能力擁有高性能的模型，并了解何時不能信任模型的結果。

深度學習已經(jīng)在各種任務中表現(xiàn)出令人印象深刻的性能。在某些情況下，它已經(jīng)能夠超越人類的準確性。這些網(wǎng)絡擅長在99%的時間內(nèi)找到正確的答案，但在生命攸關的情況下，任何錯誤都是不可接受的。研究人員設計了一種使用神經(jīng)網(wǎng)絡的單次運行來估計不確定性的方法。該網(wǎng)絡設計了一個增加的輸出產(chǎn)生一個決定和一個新的概率分布捕捉支持其決定的證據(jù)。這些分布被稱為證據(jù)分布，直接捕獲模型對其預測的信心。

研究人員使用一個具有挑戰(zhàn)性的計算機視覺任務來測試他們的系統(tǒng)。他們訓練神經(jīng)網(wǎng)絡分析雙目彩色圖像，并估計每個像素的距離值，這是一個自主駕駛車輛可能執(zhí)行的任務，結果顯示新網(wǎng)絡的性能與之前最先進的模型相當，并增加了估計其不確定性的能力。
責編AJX