亚马逊研究人员推 Fortuna：提高模型预测准确性和量化不确定性能力

划重点:

- 🔍 Fortuna 是一种开源不确定性量化库，旨在使先进的不确定性量化方法在回归和分类应用中更容易应用。

- 📊 Fortuna 支持校准技术和可扩展的贝叶斯推断工具，有助于提高模型预测的准确性和量化不确定性能力。

- 🌐 这个库为用户提供了一个一致、直观的界面，集成了现代、可扩展的不确定性量化方法，帮助确保机器学习系统的可靠性和安全性。

近年来，人工智能和机器学习领域的最新进展使人们的生活变得更加便利。凭借其令人难以置信的能力，人工智能和机器学习正在涉足各个行业并解决问题。而机器学习的一个关键组成部分就是预测的不确定性，它能够评估模型预测的准确性。为了确保机器学习系统的可靠性和安全性，正确估计不确定性非常重要。

过度自信是一个普遍存在的问题，尤其是在深度神经网络的背景下。过度自信指的是模型预测某个类别的可能性远远高于实际可能性。这可能会影响到现实世界的判断和行为，因此是一个令人担忧的问题。

已经开发了许多能够估计和校准机器学习不确定性的方法，其中包括贝叶斯推断、一致性预测和温度缩放等方法。虽然这些方法存在，但将它们应用到实践中是一项挑战。许多开源库提供了特定技术或通用概率编程语言的独特实现，但缺乏一个支持最新方法的连贯框架。

为了克服这些挑战，一个研究团队提出了 Fortuna，这是一个开源的不确定性量化库。Fortuna 将现代可扩展技术从文献中整合到库中，并通过一致、直观的界面提供给用户。其主要目标是使回归和分类应用中复杂的不确定性量化方法的应用更简单。

团队分享了 Fortuna 的两个主要特点，它们极大地改进了深度学习的不确定性量化能力。

首先是校准技术:Fortuna 支持多种校准工具，其中之一是一致性预测。任何预训练的神经网络都可以与一致性预测一起使用，产生可靠的不确定性估计。它有助于平衡模型的置信度得分和其预测的实际准确性。这对于帮助医生确定 AI 系统的诊断或自动驾驶汽车对环境的解读是否可靠非常有帮助。

其次是可扩展的贝叶斯推断:除了校准过程，Fortuna 还提供了可扩展的贝叶斯推断工具。这些工具可以在从头开始训练的深度神经网络中使用。贝叶斯推断是一种概率方法，可以将模型参数和预测中的不确定性结合起来。通过实施可扩展的贝叶斯推断，用户可以提高 Fortuna 的整体准确性以及模型量化不确定性的能力。

Fortuna 为模型预测的不确定性量化提供了一个一致的框架，无疑是机器学习领域中的一个有用的补充。

论文地址：https://www.amazon.science/publications/fortuna-a-library-for-uncertainty-quantification-in-deep-learning