[1] Evidential Deep Learning to Quantify Classification Uncertainty
Murat Sensoy, Lance Kaplan, Melih Kandemir
Ozyegin University, Adelphi, Robert-Bosch-Campus
确定性神经网络在很多机器学习任务中都能学到效果不错的预测器。然而，由于标准方法是训练网络使得预测误差最小，这种情况下得到的模型忽略了预测的置信度。贝叶斯神经网络通过权值的不确定性来间接地推理预测的不确定性，基于此，作者们提出利用主观逻辑理论得到精确模型。
在类别概率上赋予Dirichlet分布，将神经网络的预测看做主观观点，并且从数据中利用确定性神经网络来学习某种函数，该函数用来收集得到这些观点的证据。在多类别分类问题中，该方法得到的预测器服从Dirichlet分布，该分布的参数由神经网络的连续输出来设置。这种新颖的损失函数可以提升不确定性估计。这种方法在异常查询检测中取得的效果超奇的好，并且对对抗性干扰的鲁棒性较好。
本文所提方法跟softmax效果对比如下
不同阈值在不同数据集上的影响如下
几种方法在两个数据集上的效果对比如下
其中 L2是标准的确定性神经网络，加入了softmax输出层和权重衰减
Dropout对应的论文为
Bayesian convolutional neural networks with bernoulli approximate variational inference, ICLR 2016
代码地址
https://github.com/yaringal/DropoutUncertaintyCaffeModels
Deep Ensemble对应的论文为
Simple and scalable predictive uncertainty estimation using deep ensembles,NIPS 2017
代码地址
https://github.com/muupan/deep-ensemble-uncertainty
FFG 对应的论文为
Variational dropout and the local reparameterization trick, NIPS 2015
代码地址
https://github.com/gngdb/variational-dropout
https://github.com/kefirski/variational_dropout
Variational dropout sparsifies deep neural networks, ICML 2017
代码地址
https://github.com/senya-ashukha/variational-dropout-sparsifies-dnn
MNFG对应的论文为
Multiplicative normalizing flows for variational bayesian neural networks,ICML 2017
代码地址
https://github.com/AMLab-Amsterdam/MNF_VBNN
上面几种算法的准确率和熵相对对抗干扰因子变化的对比如下
代码地址
https://muratsensoy.github.io/uncertainty.html
[2] Parsimonious Bayesian deep networks
Mingyuan Zhou
The University of Texas at Austin
这篇文章将贝叶斯非参数方法与前向模型选择策略结合，提出了简约贝叶斯深层网络 （PBDNs）。这种网络能够从数据中推断出网络结构，不需要交叉验证，训练模型时也不需要微调。
PBDN中有两个重要组成部分，其一为无限宽的只有一个隐含层的神经网络，该网络中激活隐层单元的个数可以从数据中推断得到。另外一个重要组成部分即为贪婪式逐层学习算法，利用前向模型选择标准决定何时停止添加更多的隐含层。
作者们基于Gibbs采样和随机梯度下降构建了最大化后验推理方法，不仅准确率较高，而且计算复杂度低。
几种方法的效果对比如下
代码地址
https://github.com/mingyuanzhou/PBDN
[3] Semi-crowdsourced Clustering with Deep Generative Models
Yucen Luo, Tian Tian, Jiaxin Shi, Jun Zhu , Bo Zhang
Tsinghua University
这篇文章主要讨论半监督聚类问题，场景为数据的小子集（这里的小子集即为同一个聚类）中样本对之间做对比时，众包会带来一些噪声信息。
作者们提出一种新的方法，该方法包含了深层生成式模型（DGM），用来表征源数据中的低层特征，还包含了一个统计关系模型，用于对聚类子集得到噪声成对注释。这两个部分共享隐含变量。
为了使得模型能够在复杂度和对数据的拟合度之间自动的进行折中，作者还提出了完全贝叶斯化的变体模型。推理过程中的挑战性利用快速（自然梯度）随机变分推理算法来解决，在统一框架下将关系部分的变分信息传递和DGM的平摊学习有效地结合起来。
半众包深层聚类结构如下
算法流程伪代码如下
其中式(12) (14) (16) (17)分别为
几种方法的效果对比如下
其中Multiple Clustering Views from the Crowd (MCVC) 对应的论文为
Multiple clustering views from multiple uncertain experts, ICML 2017
Information-Theoretic Metric Learning (ITML) 对应的论文为
Information-theoretic metric learning， ICML 2007
代码地址
http://www.cs.utexas.edu/users/pjain/itml/download/itml-1.2.tar.gz
Cluster-based Similarity Partitioning Algorithm (CSPA) 对应的论文为
Cluster ensembles—a knowledge reuse framework for combining multiple partitions. JMLR 2002
SemiCrowd对应的论文为
Semi-crowdsourced clustering: Generalizing crowd labeling by robust distance metric learning. NIPS 2012
Metric Pairwise Constrained KMeans (MPCKMeans)对应的论文为
Integrating constraints and metric learning in semi-supervised clustering.ICML 2004
贝叶斯的影响如下
代码地址
文章评论