Diese Arbeit konzentriert sich auf die genaue Unsicherheitsabschätzung für Open-Set-Textklassifizierung (OSTC)-Systeme, bei denen Textproben in bestehende Klassen eingeteilt oder als unbekannt abgelehnt werden können. Sie adaptiert die Holistic Uncertainty Estimation (HolUE)-Methode für den Textbereich, um Text- und Galerieunsicherheiten zu erfassen, und schlägt einen neuen OSTC-Benchmark vor.
Eine neue allgemeine Bias-Varianz-Zerlegung für strikt geeignete Bewertungsregeln wurde endlich in einem AISTATS 2023-Papier von Gruber & Buettner vorgestellt. Dieser Fortschritt bietet praktische Werkzeuge zum Verständnis von Ensemble-Modellen, zur Konstruktion von Konfidenzbereichen und zur Verbesserung der Erkennung von Out-of-Distribution-Eingaben, wodurch eine langjährige Lücke in der Unsicherheitsschätzung geschlossen wird.
Das Distill-Belief-Framework löst die Herausforderung der inversen Quellenlokalisierung und -charakterisierung (ISLC) für mobile Agenten, indem es Korrektheit und Effizienz ausbalanciert. Es schlägt ein Lehrer-Schüler-Modell vor, bei dem ein Bayes-korrekter Partikelfilter-Lehrer einen kompakten Schüler für schnelle, unsicherheitsbewusste Entscheidungen in Echtzeit anleitet.