Het traceren van bronnen van epistemische onzekerheid in deep learning-voorspellingen: homo- en heteroscedastische gelineariseerde schatters

We passen twee klassieke statistische schatters voor het kwantificeren van onzekerheid aan naar moderne deep learning, om zo helderder inzicht te krijgen in onzekerheid uit twee bronnen: aleatorische onzekerheid, oftewel lokaal schaarse data. Onze aanpak maakt gebruik van recente vooruitgang in benaderde Fisher-informatiematrices om schaalbaarheid naar echte architecturen mogelijk te maken. Experimentele resultaten laten zien hoe elk testpunt verschillend wordt beïnvloed door beide bronnen.