محققان در مقالهای جدید به بررسی چالشهای تخمین لاپلاس در شبکههای عصبی عمیق پرداختهاند. روشهای فعلی برای محاسبه عدم قطعیت مدلها، معمولاً با مشکل «تخمین ضعیف واریانس» به دلیل نادیده گرفتن تعاملات میانپارامتری مواجه هستند.
در این پژوهش، دو متد جدید با نامهای Gradient-Laplace و Greedy-Laplace معرفی شدهاند که با رویکردی تحلیلمحور، پارامترهای مهم را دقیقتر انتخاب کرده و تعاملات ماتریس هسین را بهتر مدلسازی میکنند. این گام بزرگی برای افزایش قابلیت اطمینان مدلهای هوش مصنوعی در شرایط حساس است. 🚀
منبع: arXiv Machine Learning