基于神经元统计建模分析的模型不确定性度量

神经网络的不确定性反映模型对自身预测结果的置信水平,能在决策不可靠时促使及时的人工干预,提升系统安全性.然而,现有度量方法常需要对模型或训练过程进行显著修改且实施复杂度高.为此,本文提出一种基于神经元统计建模分析的不确定性度量方法.该方法充分利用模型单次前向传播过程中的激活值,首先以改进的核密度估计技术构建神经元的激活分布,模拟神经元的正常工作范围.接着采用邻域加权密度估计方法计算异常因子,用以量化测试样本与神经元激活分布的偏离程度.最终通过统计方法综合各神经元的异常因子作为样本的异常统计量,为模型不确定性的评估提供新的视角.实验结果涵盖多个公开数据集和模型,通过可视化特征图直观展示本文方法在区分域内外样本方面的显著效果.此外,本文方法在域外检测任务中表现出卓越性能,AUROC指标在多种实验设置下均超越其他现有方法,验证提出方法的通用性和有效性.

一种网格细胞到位置细胞的高斯分布激活函数模型

生物学研究发现,采用简单线性叠加数学模型不能表达啮齿类动物大脑皮层海马区多个激活网格细胞网格野到单一位置细胞位置野输出特征映射关系。针对这一难题,引入高斯分布激活函数。本文利用其局域化特性,对网格细胞输入和网格细胞与位置细胞之间连接权值线性叠加输出进行处理,滤掉激活率比较低的位置野,得到了与生物学研究发现相一致的单一位置细胞位置野。与已有竞争学习算法位置细胞模型、独立成分分析方法位置细胞模型、贝叶斯位置重建方法位置细胞模型相比,本文实验结果表明,该模型在神经生理学基础上不仅能表达啮齿类动物大脑皮层海马区多个网格细胞网格野激活得到单一位置细胞位置野输出特征映射关系,而且算法简单,所需网格细胞输入较少,输出单一位置细胞野准确率高。