人工神经网络无法评估其预测的不确定性是其广泛使用的一个障碍。.我们区分了两种类型的可学习的不确定性：由于缺乏训练数据而导致的模型不确定性和噪音引起的观察不确定性。.贝叶斯神经网络使用坚实的数学基础来学习其预测的模型不确定性。.观察到的不确定性可以通过在这些网络中加入单层并增强其损失函数来计算.我们的贡献是将这些不确定性概念应用于预测性过程监控任务，以训练基于不确定性的模型来预测剩余时间和结果。.我们的实验表明，在回归和分类任务中，不确定性估计允许区分更准确和更不准确的预测，并构建置信区间。.这些结论即使在运行过程的早期阶段也是正确的。.此外，所部署的技术是快速和产生更准确的预测的。.学习到的不确定性可以增加用户对其工艺预测系统的信心，促进人类与这些系统之间更好的合作，并能在较小的数据集上更早地实施。.
《Learning Uncertainty with Artificial Neural Networks for Improved Predictive Process Monitoring》
论文地址:http://arxiv.org/abs/2206.06317v1
| 留言与评论（共有 0 条评论） “” |
