Références - AWSConseils prescriptifs

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

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.