在本文中，我们介绍了蒙面的多步多变量预测（MMMF），这是一个新颖而普遍的自我监督学习框架，用于时间序列预测，并提供已知的未来信息。在许多真实世界的预测情况下，已知一些未来的信息，例如，在进行短期到中期的电力需求预测或进行飞机出发预测时的油价预测时，天气信息。现有的机器学习预测框架可以分为（1）基于样本的方法，在此方法中进行每个预测，以及（2）时间序列回归方法，其中未来信息未完全合并。为了克服现有方法的局限性，我们提出了MMMF，这是一个培训能够生成一系列输出的神经网络模型的框架，将过去的时间信息和有关未来的已知信息结合在一起，以做出更好的预测。实验在两个现实世界数据集上进行（1）中期电力需求预测，以及（2）前两个月的飞行偏离预测。他们表明，所提出的MMMF框架的表现不仅优于基于样本的方法，而且具有与完全相同的基本模型的现有时间序列预测模型。此外，一旦通过MMMF进行了神经网络模型，其推理速度与接受传统回归配方训练的相同模型的推理速度相似，从而使MMMF成为现有回归训练的时间序列的更好替代品，如果有一些可用的未来，信息。
translated by 谷歌翻译
正在为军事和商业用途开发越野自动驾驶的无人接地车辆（UGV），以在偏远地区提供关键的供应，帮助绘制和监视，并在有争议的环境中协助战争战士。由于越野环境的复杂性以及地形，照明条件，昼夜和季节性变化的变化，用于感知环境的模型必须处理大量的输入可变性。当前的数据集用于训练越野自动导航的感知模型在季节，位置，语义类别以及一天中的时间中缺乏多样性。我们测试了以下假设：由于输入分布漂移，在单个数据集上训练的模型可能无法推广到其他越野导航数据集和新位置。此外，我们研究了如何组合多个数据集来训练基于语义分割的环境感知模型，并表明训练模型以捕获不确定性可以通过显着的余量提高模型性能。我们将蒙版的方法扩展到语义分割任务中的不确定性量化方法，并将其与蒙特卡洛辍学和标准基线进行比较。最后，我们测试了在新测试环境中从UGV平台收集的数据的方法。我们表明，具有不确定性量化的开发的感知模型可以在UGV上可用，以支持在线感知和导航任务。
translated by 谷歌翻译
随着深度学习的出现，机器学习领域（ML）在不同的分类任务上超越了人力级别的性能。与此同时，存在表征和量化模型对单个样本预测的可靠性。在工业控制和医疗保健的安全关键域中应用此类模型尤其如此。为了解决这一需求，我们将模型的个人预测的可靠性与模型预测的认知不确定性联系起来的问题。更具体地说，我们在认识论中延长了证明真实信仰（JTB）的理论，以研究人为知识的有效性和限制，以表征监督分类机中知识的有效性和限制。我们对神经网络分类器的分析分析了将其预测的可靠性连接到从网络的输入和潜空间收集的支持的特征的输入。我们假设JTB分析暴露了模型的认识到其推断的认知不确定性（或无知），从而允许推断只能与辩护允许一样强。我们使用训练数据探索为输入生成的各种形式的支持（例如，用于输入的K-CircleS邻居（K-NN）和基于L_P-NUM-NUN），以构造与该输入的预测的理由。通过在模拟和真实数据集上进行的实验，我们证明我们的方法可以为各个预测提供可靠性，并表征这些可靠性无法确定的区域。
translated by 谷歌翻译