关于证据深度学习及其应用的全面调查
IEEE transactions on pattern analysis and machine intelligence
|October 24, 2025
概括
证据深度学习 (EDL) 在深度学习中提供高质量的不确定性估计,计算成本最小. 本次调查介绍了EDL,其理论基础,进步和在自动驾驶和医学诊断等关键领域的应用.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 深度学习模型需要可靠的不确定性估计,以便在高风险应用中安全部署.
- 像深层组合和贝叶斯神经网络这样的现有方法在计算上昂贵.
- 证据深度学习 (EDL) 为不确定性估计提供了有效的替代方案.
研究的目的:
- 为证据深度学习 (EDL) 提供全面的调查.
- 将EDL介绍给没有事先知识的读者.
- 涵盖EDL的理论基础,进展,应用和未来方向.
主要方法:
- 审查主观逻辑理论作为EDL的基础.
- 探索EDL进步:收集证据,使用OOD样本,培训策略和证据回归.
- 在各种机器学习任务中讨论EDL应用.
主要成果:
- EDL使高质量的不确定性估计能够在最小的计算开销下实现.
- 与其他不确定性估计框架相比,EDL提供了一种独特的方法.
- 在各种机器学习范式中,EDL已经证明了广泛的适用性.
结论:
- EDL是有效和可靠的不确定性估计的一个有希望的范式.
- 进一步研究EDL可以提高其性能和采用.
- EDL有可能对需要强大的AI决策的领域产生重大影响.

