torch-uncertainty/torch-uncertainty

它解决的问题

深度神经网络经常提供预测而不指示其置信度，这可能导致在关键应用中得到不可靠的结果。TorchUncertainty 提供了一个全面的框架来量化这种不确定性，通过帮助用户了解模型何时可能出错，使模型更可靠。

它是如何工作的

该库提供了一个多层级 API，可与 PyTorch 和 PyTorch Lightning 集成，以在四个主要任务上实现各种不确定性量化技术：分类、概率/点wise 回归、分割和像素wise 回归。它提供：

• 不确定性感知模型：Deep Ensembles、MC-Dropout、变分贝叶斯神经网络和 Deep Evidential 模型的实现。
• 后处理：用于校准（例如，temperature scaling）和 conformal prediction 的工具，以细化置信度估计。
• 评估工具：自动化的例程来衡量适当分数、校准、分布外检测和分布偏移指标。
• 数据增强：专门的方法如 Mixup 和现代化的损坏来测试模型鲁棒性。

它适合谁

它专为需要超越简单点预测并在其深度学习管道中实施严格不确定性估计的机器学习研究者和从业者设计。

亮点

• 广泛的方法支持：包含来自主要 ML 和 CV 会议的多篇论文的官方实现。
• 任务多样性：支持多样化的任务，包括图像分割和单目深度估计。
• 自动化评估：内置的度量用于 OOD 检测、选择性分类和校准。
• 即用型组件：提供可直接插入的层、模型、度量和损失，以便轻松集成到现有网络中。