Références

Breiman, L. 2001. « Forêts aléatoires. » Machine Learning. https://doi.org/10.1023/A:1010933404324.

Estlund, D. M. 1994. « Les leaders d'opinion, l'indépendance et le théorème du jury de Condorcet. » Théorie et décision.https://doi.org/10.1007/BF01079210.

Fort, S., H. Hu et B. Lakshminarayanan. 2019. « Ensembles profonds : Une perspective de paysage de perte. » 2, 1-14.https://arxiv.org/abs/1912.02757.

Freund, Y. et R.E. Schapire. 1996. « Expériences avec un nouvel algorithme de stimulation. » Actes du13e Conférence internationale sur le Machine Learning.https://dl.acm.org/doi/10.5555/3091696.3091715.

Gal, Y. 2016. « L'incertitude dans le Deep Learning. » Département d'ingénierie. Université de Cambridge.

Gal, Y. et Z. Ghahramani. 2016. « L'abandon en tant qu'approximation bayésienne : Représenter l'incertitude du modèle dans le Deep Learning. » 33e International Conference on Machine Learning (ICML 2016).https://arxiv.org/abs/1506.02142.

Guo, C., G. Pleiss, Y. Sun et K.Q. Weinberger. 2017. « Sur l'étalonnage des réseaux neuronaux modernes. » 34e International Conference on Machine Learning (ICML 2017).https://arxiv.org/abs/1706.04599.

Hein, M., M. Andriushchenko et J. Bitterwolf. 2019. « Pourquoi les réseaux ReLU donnent des prévisions de confiance élevées loin des données de formation et comment atténuer le problème. » 2019. Actes de la conférence IEEE Computer Society sur la vision par ordinateur et la reconnaissance des modèles(juin 2019) : 41—50.https://doi.org/10.1109/CVPR.2019.00013

Kendall, A. et Y. Gal. 2017. « Quelles sont les incertitudes dont nous avons besoin dans le Deep Learning bayésien pour la vision par ordinateur ? » Avancées dans les systèmes de traitement de l'information neuronale.https://papers.nips.cc/paper/7141-what-uncertainties-do-we-need-in-bayesian-deep-learning-for-computer-vision.

Lakshminarayanan, B., A. Pritzel et C. Blundell. 2017. « Estimation de l'incertitude prédictive simple et évolutive à l'aide d'ensembles profonds. » Avancées dans les systèmes de traitement de l'information neuronale.https://arxiv.org/abs/1612.01474.

Liu, Y., M. Ott, N. Goyal, J. Du, M. Joshi, D. Chen, O. Levy, M. Lewis, L. Zettlemoyer et V. Stoyanov. 2019. « Alberta : Une approche de préentraînement BERT hautement optimisée. » https://arxiv.org/abs/1907.11692

Nado, Z., S. Padhy, D. Sculley, A. D'Amour, B. Lakshminarayanan et J. Snoek. 2020. « Évaluation de la normalisation des Batch à temps de prédiction pour la robustesse sous Covariable Shift. » https://arxiv.org/abs/2006.10963

Nalisnick, E., A. Matsukawa, Y.W. Teh, D. Gorur et B. Lakshminarayanan. 2019. « Les modèles génératifs profonds savent-ils ce qu'ils ne savent pas ? » 7e Conférence internationale sur les représentations de l'apprentissage (ICLR 2019).https://arxiv.org/abs/1810.09136.

Ovadia, Y., E. Fertig, J. Ren, Z. Nado, D. Sculley, S. Nowozin, J.V. Dillon, B. Lakshminarayanan et J. Snoek. 2019. « Pouvez-vous faire confiance à l'incertitude de votre modèle ? Évaluation de l'incertitude prédictive sous le changement de jeu de données. » 33e Conférence sur les systèmes de traitement de l'information neuronale (NeuriPS 2019).https://arxiv.org/abs/1906.02530.

Platt, J. et d'autres. 1999. « Résultats probabilistes pour les machines vectorielles de support et comparaisons avec des méthodes de vraisemblance régularisées. » Avancées dans les classificateurs à grande marge.http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.41.1639.

Srivastava, N., G. Hinton, A. Krizhevsky, I. Sutskever et R. Salakhutdinov. 2014. « Décrochage : Un moyen simple d'empêcher les réseaux neuronaux de surajuster. » Journal de recherche sur Machine Learning.https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf.

van Amersfoort, J., L. Smith, Y.W. Teh et Y. Gal. 2020. « Estimation de l'incertitude à l'aide d'un seul réseau neuronal déterministe profond. » Machine Learning.https://arxiv.org/abs/2003.02037.

Warstadt, A., A. Singh et S.R. Bowman. 2019. « Jugements d'acceptabilité des réseaux neuronaux. » Transactions de l'Association pour la Linguistique Computationnelle.https://doi.org/10.1162/tacl_a_00290.

Wilson, A. G. et P. Izmailov. 2020. « L'apprentissage profond bayésien et une perspective probabiliste de généralisation. » https://arxiv.org/abs/2002.08791.