深度学习中不确定性评估的一般框架

作者：Mattia Segù,Antonio Loquercio,Davide Scaramuzza

摘要：最近，端到端学习成为解决自动驾驶问题的有前途的技术。现有工作表明，从原始传感器数据学习导航策略可以减少系统对外部传感系统（例如GPS）的依赖，和/或基于状态估计和规划优于传统方法。然而，现有的端到端方法通常会牺牲性能以保证安全性，阻碍它们向现实应用的扩散。例如，当面对与训练数据完全不同的输入时，端到端自动驾驶系统可能会失效，从而损害车辆的安全性。为了检测这种失败案例，这项工作提出了一个不确定性估计的一般框架，它使得受到政策训练的端到端不仅可以预测行动命令，还可以预测其自身预测的可信度。与以前的工作相比，我们的框架可以应用于任何现有的神经网络和任务，而无需改变网络的架构或损失，或培训网络。为此，我们通过使用贝叶斯推断的输入和模型不确定性的前向传播来生成置信水平。我们在自动驾驶汽车的转向角回归任务上测试我们的框架，并将我们对现有方法的方法与真实数据集上的定性和定量结果进行比较。最后，我们展示了我们框架的一个有趣的副产品：抵御对抗性攻击的强大功能。

原文标题：A General Framework for Uncertainty Estimation in Deep Learning

原文链接：https://arxiv.org/abs/1907.06890