哈佛团队开发新模型以改善基于AI的决策

神经网络产生的证据直接捕捉了模型对其预测的信心，并包括了输入数据以及模型最终决策中存在的任何不确定性。

已经开发出一种新方法来快速评估神经网络的确定性。该模型可以提高依赖于AI辅助决策的现实系统中的效率。

麻省理工学院(MIT)和哈佛大学的一组研究人员开发了该方法，并在题为“深度证据回归”的论文中对其进行了详细说明。

研究人员训练了他们的神经网络来分析图像并估计距相机镜头的距离，这类似于自动驾驶汽车用来评估与行人或另一辆汽车的接近程度。

麻省理工学院在一份新闻稿中指出，他们还用稍有变化的图像对网络进行了测试，但是，它能够发现变化，这可以帮助检测诸如Deepfake的操纵。

麻省理工学院计算机科学与人工智能实验室(CSAIL)主任Daniela Rus表示：“通过估算学习模型的不确定性，我们还可以了解模型会有多少错误，以及哪些缺失数据可以改善模型。”发布。

部署了神经网络来识别大型复杂数据集中的模式，以帮助做出决策。

该团队设计了一种新的方法来生成“汇总输出”，这意味着，除了做出决策外，它还将提供证据来支持来自单次神经网络运行的决策。

麻省理工学院的一个版本解释说，由神经网络产生的证据直接捕获了模型对其预测的信心，并包括了输入数据以及模型最终决定中存在的任何不确定性。