最後一層線性化在不確定性量化中的充分性研究

這篇研究論文探討了深度神經網路中不確定性量化的效率問題。研究論文指出，為了在關鍵任務環境中安全採用人工智慧，不確定性量化至關重要。許多方法透過線性化深度神經網路來形成貝葉斯廣義線性模型，其中認知不確定性透過預測後驗分佈來建模。線性化最後一層通常被認為會降低性能，但本研究透過理論和實驗方法進行了比較。論文利用隨機矩陣理論進行理論分析，發現全網路線性化在不確定性量化能力上沒有顯著改進。結合大規模實驗評估，涵蓋多種現代機器學習任務，研究得出結論：最後一層線性化在提供相似不確定性量化性能的同時，大幅提升了計算效率。這項發現表明，使用最後一層線性化是一個有效的折衷方案，能夠在不犧牲準確性的情況下減少計算負擔，從而推動人工智慧在實際應用中的廣泛部署。