Benutzer: Gast  Login
Originaltitel:
Uncertainty Estimation for Independent and Non-Independent Data
Übersetzter Titel:
Unsicherheitsabschätzung für Unabhängige und Nicht Unabhängige Daten
Autor:
Charpentier, Bertrand P. A. H.
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Günnemann, Stephan (Prof. Dr.)
Gutachter:
Günnemann, Stephan (Prof. Dr.); Hüllermeier, Eyke (Prof. Dr.); Nalisnick, Eric (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
Stichworte:
Uncertainty; Bayesian; Posterior; Tabular; Images; Graph; Sequences; Machine Learning; Deep Learning
Übersetzte Stichworte:
Unsicherheit; Bayesian; Posterior; tabellarisch; Bilder; Graph; Sequenzen; Maschinelles Lernen; Deep Learning
TU-Systematik:
DAT 600; DAT 703; DAT 708
Kurzfassung:
In this thesis, we look at uncertainty estimation for independent data (e.g. tabular, images), and non-independent data (e.g. graph, sequences). To this end, we develop desiderata describing the desired behavior for uncertainty estimates, efficient Bayesian models for uncertainty estimation, and uncertainty metrics related to trust, safety, fairness, or ease of maintenance in real-world applications.
Übersetzte Kurzfassung:
In dieser Doktorarbeit betrachten wir die Unsicherheitsschätzung für unabhängige Daten (z. B. Tabellen,Bilder) und nicht unabhängige Daten (z. B. Graphen, Sequenzen). Zu diesem Zweck entwickeln wir Desiderate, die das gewünschte Verhalten für Unsicherheitsschätzungen beschreiben, effiziente Bayes'sche Modelle zur Unsicherheitsschätzung und Unsicherheitsmetriken in Bezug auf Vertrauen, Sicherheit, Fairnessoder Wartungsfreundlichkeit in realen Anwendungen.
WWW:
https://mediatum.ub.tum.de/?id=1705567
Eingereicht am:
13.04.2023
Mündliche Prüfung:
23.02.2024
Dateigröße:
33546055 bytes
Seiten:
323
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240223-1705567-1-1
Letzte Änderung:
18.03.2024
 BibTeX