计算机科学>机器学习
标题: 深度学习预测的不确定性量化基准
摘要: RUL预测的可靠不确定性量化对于预测性维护中的信息决策至关重要。 在此背景下,我们评估了预测深度学习不确定性量化领域的一些最新发展。 这包括贝叶斯神经网络(BNN)的最新变分推理算法以及流行的替代方法,如蒙特卡罗辍学(MCD)、深度集成(DE)和异方差神经网络(HNN)。 所有推理技术与功能模型共享相同的初始深度学习架构。 我们通过超参数搜索来优化算法的主要变分和学习参数。 在NASA NCMAPSS飞机发动机大型数据集的子集上评估了这些方法的性能。 评估包括RUL预测准确性、预测不确定性的质量以及将总预测不确定性分解为任意和认知部分的可能性。 结果表明,在所有情况下,没有一种方法明显优于其他方法。 尽管所有方法在准确性方面都很接近,但我们发现它们在估计不确定性的方式上存在差异。 因此,DE和MCD通常比BNN提供更保守的预测不确定性。 令人惊讶的是,HNN可以在不增加训练复杂度和BNN额外参数的情况下取得很好的结果。 对于像主动学习这样需要分离认知和随机不确定性的任务,径向BNN和MCD似乎是最佳选择。