References - AWSPräskriptive Anleitung

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

References

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

Estlund, D. M. 1994. „Meinungsführer, Unabhängigkeit und Condorcets Jury Theorem.“ Theorie und Entscheidungsfindungaus.https://doi.org/10.1007/BF01079210aus.

Fort, S., H. Hu und B. Lakshminarayanan. 2019 „Deep Ensembles: Eine Perspektive der Verlustlandschaft.“ 2, 1—14.https://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 in Deep Learning.“ Abteilung für Ingenieurwesen. Universität Cambridge.

Gal, Y. und Z. Gahramani. 2016. „Ausfallende als Bayesianische Annäherung: Darstellung der Modellunsicherheit in Deep Learning.“ 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 „Über die 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 -Netzwerke hohe Konfidenzprognosen liefern, weit weg von den Trainingsdaten und wie man das Problem mildert.“ 2019 Proceedings der IEEE Computer Society Conference on 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 beim bayesischen Deep Learning für Computer Vision?“ Fortschritte in 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 Predictive Uncertainty Schätzung mit Deep Ensembles.“ Fortschritte in 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. Stojanov. 2019 „Roberta: Ein robuster, optimierter BERT-Vortrainingsansatz.“ https://arxiv.org/abs/1907.11692

Nado, Z., S. Padhy, D. Sculley, A. D'Amour, B. Lakshminarayanan und J. Snoek. 2020 „Bewertung der Vorhersage-Zeit-Batch Normalisierung für Robustheit unter Kovariaten-Verschiebung.“ https://arxiv.org/abs/2006.10963

Nalisnick, E., A. Matsukawa, Y.W. Teh, D. Gorur und B. Lakshminarayanan. 2019 „Wissen tief generative Modelle, was sie nicht wissen?“ 7. Internationale Konferenz über Lerndarstellungen (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 „Kannst du der Unsicherheit deines Modells vertrauen? Auswerten der vorausschauenden Unsicherheit unter Dataset-Verschiebung.“ 33. Konferenz über neuronale Informationsverarbeitungssysteme (NeURIPs 2019)aus.https://arxiv.org/abs/1906.02530aus.

Platt, J. und andere. 1999 „Probabilistische Ausgänge für Support Vektormaschinen und Vergleiche zu regularisierten Likelihood-Methoden.“ Fortschritte bei Klassifikatoren mit großen Margenaus.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: Ein einfacher Weg, um zu verhindern, dass neuronale Netzwerke überpassen.“ 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 „Unsicherheits-Schätzung mit einem einzigen tiefen deterministischen neuronalen Netzwerk.“ In International Conference für Machine Learningaus.https://arxiv.org/abs/2003.02037aus.

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

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