Theoretical Consistency

Uncertainty Quantification in CNN Through the Bootstrap of Convex Neural Networks

Dieses Paper schlägt ein neuartiges Bootstrap-basiertes Framework zur Unsicherheitsquantifizierung (UQ) in Convolutional Neural Networks (CNNs) vor, das den Mangel an theoretisch konsistenten UQ-Tools adressiert. Die Methode nutzt konvexifizierte neuronale Netze, um theoretische Konsistenz zu etablieren, bietet eine deutlich geringere Rechenlast und erforscht einen neuartigen Transfer-Learning-Ansatz.