劃重點:
- 🔍 Fortuna 是一種開源不確定性量化庫，旨在使先進的不確定性量化方法在回歸和分類應用中更容易應用。
- 📊 Fortuna 支持校準技術和可擴展的貝葉斯推斷工具，有助於提高模型預測的準確性和量化不確定性能力。
- 🌐 這個庫為用戶提供一個一致、直觀的界面，集成現代、可擴展的不確定性量化方法，幫助確保機器學習系統的可靠性和安全性。
站長之傢(ChinaZ.com) 11月9日 消息:近年來，人工智能和機器學習領域的最新進展使人們的生活變得更加便利。憑借其令人難以置信的能力，人工智能和機器學習正在涉足各個行業並解決問題。而機器學習的一個關鍵組成部分就是預測的不確定性，它能夠評估模型預測的準確性。為確保機器學習系統的可靠性和安全性，正確估計不確定性非常重要。
過度自信是一個普遍存在的問題，尤其是在深度神經網絡的背景下。過度自信指的是模型預測某個類別的可能性遠遠高於實際可能性。這可能會影響到現實世界的判斷和行為，因此是一個令人擔憂的問題。
已經開發許多能夠估計和校準機器學習不確定性的方法，其中包括貝葉斯推斷、一致性預測和溫度縮放等方法。雖然這些方法存在，但將它們應用到實踐中是一項挑戰。許多開源庫提供特定技術或通用概率編程語言的獨特實現，但缺乏一個支持最新方法的連貫框架。
為克服這些挑戰，一個研究團隊提出 Fortuna，這是一個開源的不確定性量化庫。Fortuna 將現代可擴展技術從文獻中整合到庫中，並通過一致、直觀的界面提供給用戶。其主要目標是使回歸和分類應用中復雜的不確定性量化方法的應用更簡單。
團隊分享 Fortuna 的兩個主要特點，它們極大地改進深度學習的不確定性量化能力。
首先是校準技術:Fortuna 支持多種校準工具，其中之一是一致性預測。任何預訓練的神經網絡都可以與一致性預測一起使用，產生可靠的不確定性估計。它有助於平衡模型的置信度得分和其預測的實際準確性。這對於幫助醫生確定 AI 系統的診斷或自動駕駛汽車對環境的解讀是否可靠非常有幫助。
其次是可擴展的貝葉斯推斷:除校準過程，Fortuna 還提供可擴展的貝葉斯推斷工具。這些工具可以在從頭開始訓練的深度神經網絡中使用。貝葉斯推斷是一種概率方法，可以將模型參數和預測中的不確定性結合起來。通過實施可擴展的貝葉斯推斷，用戶可以提高 Fortuna 的整體準確性以及模型量化不確定性的能力。
Fortuna 為模型預測的不確定性量化提供一個一致的框架，無疑是機器學習領域中的一個有用的補充。
論文地址：https://www.amazon.science/publications/fortuna-a-library-for-uncertainty-quantification-in-deep-learning