Theoretical Consistency

Uncertainty Quantification in CNN Through the Bootstrap of Convex Neural Networks

Este artigo propõe uma nova estrutura baseada em bootstrap para a quantificação de incerteza (UQ) em Redes Neurais Convolucionais (CNNs), abordando a falta de ferramentas UQ teoricamente consistentes. O método utiliza redes neurais convexificadas para garantir a consistência teórica, além de ser computacionalmente mais eficiente e explorar um novo método de aprendizado por transferência.