User: Guest  Login
Original title:
Uncertainty Estimation for Independent and Non-Independent Data
Translated title:
Unsicherheitsabschätzung für Unabhängige und Nicht Unabhängige Daten
Author:
Charpentier, Bertrand P. A. H.
Year:
2024
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Advisor:
Günnemann, Stephan (Prof. Dr.)
Referee:
Günnemann, Stephan (Prof. Dr.); Hüllermeier, Eyke (Prof. Dr.); Nalisnick, Eric (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
Uncertainty; Bayesian; Posterior; Tabular; Images; Graph; Sequences; Machine Learning; Deep Learning
Translated keywords:
Unsicherheit; Bayesian; Posterior; tabellarisch; Bilder; Graph; Sequenzen; Maschinelles Lernen; Deep Learning
TUM classification:
DAT 600; DAT 703; DAT 708
Abstract:
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.
Translated abstract:
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
Date of submission:
13.04.2023
Oral examination:
23.02.2024
File size:
33546055 bytes
Pages:
323
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240223-1705567-1-1
Last change:
18.03.2024
 BibTeX