MARC

 008260126s2024        us                              c    eng  d
■001000017361096
■00520260202105705
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263308346
■035    ▼a(MiAaPQ)AAI32409923
■035    ▼a(MiAaPQ)124231
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aLin,  Zhen.
■24510▼aDistribution-Free  Uncertainty  Quantification  for  Deep  Learning
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a248  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Sun,  Jimeng.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2024.
■520    ▼aThe  integration  of  sophisticated  deep  learning  models  into  critical  domains,  such  as  healthcare,  autonomous  vehicles,  and  the  legal  system,  is  increasingly  becoming  a  trend.  These  models  offer  significant  potential  for  enhancing  outcomes  efficiently,  but  their  adoption  raises  crucial  challenges  related  to  model  confidence,  uncertainty  communication,  and  risk  management.  Uncertainty  Quantification  (UQ)  is  a  key  framework  that  addresses  these  issues  by  providing  a  systematic  way  to  assess  and  act  on  the  reliability  of  model  predictions.This  thesis  focuses  on  distribution-free  UQ  methods,  which  require  minimal  assumptions  about  the  data  distribution  and  model  specifics,  making  them  highly  applicable  across  various  deep  learning  applications.  We  first  investigate  the  problem  of  full  calibration  for  deep  learning  classifiers,  aiming  to  address  the  over-confidence  or  under-confidence  typically  observed  in  such  classifiers.  Then,  we  discuss  methods  to  convert  a  model's  output  into  actionable  uncertainty  information,  expressed  as  prediction  intervals  and  prediction  sets.  In  particular,  we  focus  on  the  construction  of  prediction  intervals  and  sets  with  rigorous  coverage  or  risk  control  guarantees,  typically  provided  by  conformal  prediction  tools.  Finally,  we  explore  the  problem  of  UQ  for  natural  language  generation  (NLG),  for  which  we  apply  a  graph-based  approach  using  the  similarity  graph  of  multiple  sampled  responses.  Through  exploring  model  calibration,  risk-controlling  prediction  sets,  conformal  prediction  intervals,  and  UQ  for  NLG,  this  thesis  aims  to  advance  the  understanding  and  implementation  of  UQ  in  high-stakes  decision-making  environments.
■590    ▼aSchool  code:  0090.
■650  4▼aStatistics
■650  4▼aComputer  science
■650  4▼aLinguistics
■653    ▼aUncertainty  Quantification
■653    ▼aDeep  learning
■653    ▼aMachine  learning
■653    ▼aConformal  prediction
■653    ▼aPrediction  sets
■653    ▼aNeural  networks
■653    ▼aHealthcare  applications
■690    ▼a0984
■690    ▼a0463
■690    ▼a0800
■690    ▼a0290
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361096▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books