view in publisher's site

A review of uncertainty quantification in deep learning: Techniques, applications and challenges

Highlights•We provided an extensive review of uncertainty quantification methods in deep learning.•We covered popular and efficient Bayesian approaches for uncertainty quantification.•We listed notable ensemble techniques for quantifying uncertainty.•We discussed various applications of uncertainty quantification methods.•We summarized major open challenges and research gaps in uncertainty quantification.AbstractUncertainty quantification (UQ) methods play a pivotal role in reducing the impact of uncertainties during both optimization and decision making processes. They have been applied to solve a variety of real-world problems in science and engineering. Bayesian approximation and ensemble learning techniques are two widely-used types of uncertainty quantification (UQ) methods. In this regard, researchers have proposed different UQ methods and examined their performance in a variety of applications such as computer vision (e.g., self-driving cars and object detection), image processing (e.g., image restoration), medical image analysis (e.g., medical image classification and segmentation), natural language processing (e.g., text classification, social media texts and recidivism risk-scoring), bioinformatics, etc. This study reviews recent advances in UQ methods used in deep learning, investigates the application of these methods in reinforcement learning, and highlights fundamental research challenges and directions associated with UQ.

مروری بر تعیین مقدار عدم قطعیت در یادگیری عمیق: تکنیک‌ها، کاربردها و چالش‌ها

نکات برجسته * ما مروری گسترده بر روش‌های تعیین مقدار عدم قطعیت در یادگیری عمیق ارائه کردیم. * ما روش‌های رایج و کارآمد بیزی را برای تعیین مقدار عدم قطعیت پوشش دادیم. * ما تکنیک‌های قابل‌توجه گروهی را برای کمی کردن عدم قطعیت فهرست کردیم. * ما کاربردهای مختلف روش‌های تعیین مقدار عدم قطعیت را مورد بحث قرار دادیم. * ما چالش‌های باز عمده و شکاف‌های تحقیقاتی در کمی سازی عدم قطعیت را خلاصه کردیم. روش‌های کمی سازی عدم قطعیت (UQ)نقشی اساسی در کاهش تاثیر عدم قطعیت‌ها در طی فرآیندهای بهینه‌سازی و تصمیم‌گیری ایفا می‌کنند. آن‌ها برای حل انواع مشکلات دنیای واقعی در علوم و مهندسی به کار گرفته شده‌اند. تقریب بیزی و تکنیک‌های یادگیری گروهی دو نوع از روش‌های تعیین مقدار عدم قطعیت (UQ)هستند که به طور گسترده مورد استفاده قرار می‌گیرند. در این راستا، محققان روش‌های مختلف UQ را پیشنهاد کرده و عملکرد آن‌ها را در کاربردهای مختلف از جمله بینایی کامپیوتر (برای مثال، خودراهبری ماشین‌ها و تشخیص اشیا)، پردازش تصویر (برای مثال، بازیابی تصویر)، تحلیل تصاویر پزشکی (برای مثال، طبقه‌بندی و تقسیم‌بندی تصاویر پزشکی)، پردازش زبان طبیعی (برای مثال، طبقه‌بندی متن، متون رسانه‌های اجتماعی و دریافت خطر)، بیوانفورماتیک و غیره مورد بررسی قرار داده‌اند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Information Systems
  • ترجمه مقاله Information Systems
  • مقاله سیستم‌های اطلاعاتی
  • ترجمه مقاله سیستم‌های اطلاعاتی
  • مقاله Signal Processing
  • ترجمه مقاله Signal Processing
  • مقاله پردازش سیگنال
  • ترجمه مقاله پردازش سیگنال
  • مقاله Hardware and Architecture
  • ترجمه مقاله Hardware and Architecture
  • مقاله سخت‌افزار و معماری
  • ترجمه مقاله سخت‌افزار و معماری
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.