由于它们的蔓延越来越多,对神经网络预测的信心变得越来越重要。然而,基本的神经网络不会透露确定性估计或遭受超过或置信度。许多研究人员一直在努力了解和量化神经网络预测中的不确定性。结果,已经提出了已经确定了不同类型和不确定性的来源,并且已经提出了一种测量和量化神经网络中不确定性的各种方法。这项工作概述了神经网络中的不确定性估计,评论最近领域的进步,突出了当前的挑战,并确定了潜在的研究机会。它旨在向任何兴趣在神经网络中的不确定性估计感兴趣的概述和介绍,而无需预先展现在该领域的先验知识。给出了对最关键的不确定性来源的全面介绍,并分离到可还原的模型不确定性,并提出了未降低的数据不确定性。基于确定性神经网络,贝叶斯神经网络,神经网络集合的这些不确定性和测试时间数据增强方法的建模以及这些领域的不同分支以及讨论了最新的发展。对于实际应用,我们讨论了不同的不确定性措施,校准神经网络的方法,并概述现有基线和实施。来自不同领域的广泛挑战的不同示例概念了关于实际应用中不确定性的需求和挑战。此外,讨论了当前特派团和安全关键现实世界应用程序的实际限制,并讨论了对更广泛使用此类方法的下一个步骤的展望。
translated by 谷歌翻译