Referenzen

Breiman, L. 2001. „Zufällige Wälder.“ Machine Learning. https://doi.org/10.1023/A:1010933404324aus.

Estlund, D. M. 1994. „Meinungsführer, Unabhängigkeit und Jurytheorem von Condorcet.“ Theorie und Entscheidungaus.https://doi.org/10.1007/BF01079210aus.

Fort, S., H. Hu und B. Lakshminarayanan. 2019 „Tiefe Ensembles: Eine Loslandschaftsperspektive.“ 2, 1-14https://arxiv.org/abs/1912.02757aus.

Freund, Y. und R.E. Schapire. 1996 „Experimente mit einem neuen Boosting-Algorithmus.“ Verfahren der13. In International Conference on Machine Learningaus.https://dl.acm.org/doi/10.5555/3091696.3091715aus.

Gal, Y. 2016. „Unsicherheit im Deep Learning.“ Abteilung für Ingenieurwesen. Universität Cambridge.

Gal, Y. und Z. Ghahramani. 2016. „Abbrecher als bayessche Annäherung: Stellt die Modellunsicherheit im Deep Learning dar.“ 33. In International Conference on Machine Learning (ICML 2016)aus.https://arxiv.org/abs/1506.02142aus.

Guo, C., G. Pleiss, Y. Sun und K.Q. Weinberger. 2017 „Zur Kalibrierung moderner neuronaler Netze.“ 34. In International Conference on Machine Learning (ICML 2017)aus.https://arxiv.org/abs/1706.04599aus.

Hein, M., M. Andriushchenko und J. Bitterwolf. 2019 „Warum ReLu Networks Vertrauensprognosen weit weg von den Trainingsdaten liefern und wie das Problem gemildert werden kann.“ 2019 Verfahren der IEEE Computer Society Konferenz über Computer Vision und Mustererkennung(Juni 2019): 41—50.https://doi.org/10.1109/CVPR.2019.00013

Kendall, A. und Y. Gal. 2017 „Welche Unsicherheiten brauchen wir im bayesischen Deep Learning für Computer Vision?“ Fortschritte bei neuronalen Informationsverarbeitungssystemenaus.https://papers.nips.cc/paper/7141-what-uncertainties-do-we-need-in-bayesian-deep-learning-for-computer-visionaus.

Lakshminarayanan, B., A. Pritzel und C. Blundell. 2017 „Einfache und skalierbare vorausschauende Unsicherheitsschätzung mit Deep Ensembles.“ Fortschritte bei neuronalen Informationsverarbeitungssystemenaus.https://arxiv.org/abs/1612.01474aus.

Liu, Y., M. Ott, N. Goyal, J. Du, M. Joshi, D. Chen, O. Levy, M. Lewis, L. Zettlemoyer und V. Stoyanov. 2019 „RobertA: Ein robust optimierter BERT-Vorschulungsansatz.“ https://arxiv.org/abs/1907.11692

Nado, Z., S. Padhy, D. Sculley, A. D'Amour, B. Lakshminarayanan und J. Snoek. 2020. „Bewertung der Chargennormalisierung der Prognosezeit auf Robustheit unter Kovariatenverschiebung.“ https://arxiv.org/abs/2006.10963

Nalisnick, E., A. Matsukawa, Y.W. Teh, D. Gorur und B. Lakshminarayanan. 2019 „Wissen Deep Generative Models, was sie nicht wissen?“ 7. Internationale Konferenz über Lernvertretungen (ICLR 2019)aus.https://arxiv.org/abs/1810.09136aus.

Ovadia, Y., E. Fertig, J. Ren, Z. Nado, D. Sculley, S. Nowozin, J.V. Dillon, B. Lakshminarayanan und J. Snoek. 2019 „Können Sie der Unsicherheit Ihres Modells vertrauen? Auswertung der vorausschauenden Unsicherheit unter Datensatzverschiebung.“ 33. Konferenz über Neuronale Informationsverarbeitungssysteme (NeurIPs 2019)aus.https://arxiv.org/abs/1906.02530aus.

Platt, J. und andere. 1999 „Probabilistische Ausgaben für Support Vector Machines und Vergleiche mit regularisierten Likelihood Methoden.“ Fortschritte bei Klassifikatoren mit großer Margeaus.http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.41.1639aus.

Srivastava, N., G. Hinton, A. Krizhevsky, I. Sutskever und R. Salakhutdinov. 2014 „Ausfallende: Eine einfache Möglichkeit zu verhindern, dass neuronale Netze übermäßig angepasst werden.“ Zeitschrift für Machine Learningaus.https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdfaus.

van Amersfoort, J., L. Smith, Y.W. Teh und Y. Gal. 2020. „Unsicherheitsschätzung unter Verwendung eines einzigen tiefen deterministischen neuronalen Netzes.“ In International Conference für Machine Learningaus.https://arxiv.org/abs/2003.02037aus.

Warstadt, A., A. Singh und S.R. Bowman. 2019 „Urteile zur Akzeptanz des neuronalen Netzes.“ Transaktionen des Vereins für Computerlinguistikaus.https://doi.org/10.1162/tacl_a_00290aus.

Wilson, A. G., und P. Izmailov. 2020. „Bayesian Deep Learning und eine probabilistische Perspektive der Verallgemeinerung.“ https://arxiv.org/abs/2002.08791aus.