我的输入x_1, ..., x_n已知1-sigma不确定性e_1, ..., e_n。我正在使用它们来预测经过训练的神经网络上的输出y_1, ..., y_m。如何在预测中获得1-sigma不确定性？
我的想法是随机扰动每个输入x_i，正常噪声的平均值为0，标准差为e_i很多次（比如10000），然后取中位数和标准差每个预测y_i。这有用吗？
我担心这只会考虑＆＃34;随机＆＃34;错误（来自测量）而不是＆＃34;系统的＆＃34;错误（来自网络），即，每个预测固有地具有一些错误，在该方法中没有考虑。如何在我的预测中正确获得1-sigma误差条？
答案 0 :(得分：0)
您可以在此处对“抖动”（随机样本的生成）带来的神经网络优化进行一般性分析http://wojciechczarnecki.com/pdfs/preprint-ml-with-unc.pdf 简而言之 - 抖动只是网络权重的正规化。
对于错误栏，你应该参考Will Penny的作品 http://www.fil.ion.ucl.ac.uk/~wpenny/publications/error_bars.ps http://www.fil.ion.ucl.ac.uk/~wpenny/publications/nnerrors.ps
答案 1 :(得分：0)
对。该方法仅考虑了数据的不确定性（假设您在应用噪声时不适合神经网络）。附带说明一下，在使用神经网络拟合数据时，您也可以应用混合密度网络（请参阅许多教程之一）。
更重要的是，为了解决模型不确定性，您应该应用贝叶斯神经网络。你可以开始例如蒙特卡洛退学。同样有趣的是，这项工作在使用蒙特卡洛辍学时执行无采样推理
https://arxiv.org/abs/1908.00598
这项工作明确使用了通过神经网络进行的错误传播，对您来说应该非常有趣！
最佳