【NeurIPS 2020】深度学习的不确定性估计和鲁棒性

深度学习模型在预测失败信号方面表现不佳: 它们往往非常有把握地做出预测，这在现实世界的应用中是有问题的，比如医疗保健、自动驾驶汽车和自然语言系统，这些应用存在相当大的安全隐患，或者在训练数据和模型预测所依据的数据之间存在差异。现在迫切需要了解模型何时不应该进行预测，以及改进模型对数据中自然变化的健壮性。本教程将对深度学习中的不确定性和健壮性进行概述。也就是说，我们检查校准和非分布泛化作为关键任务。然后，我们将深入探讨有希望的途径。这包括平均多个神经网络预测的方法，如贝叶斯神经网络，集成，和高斯过程;在总体参数或预测时间效率方面处于尺度前沿的方法;以及鼓励关键的诱导偏差的方法，如数据增强。我们将这些想法建立在经验理解和理论的基础上，并通过基准和提示和技巧提供实际的建议。最后，我们强调该领域的开放挑战。

https://nips.cc/Conferences/2020/Schedule?showEvent=16649