torch-uncertainty/torch-uncertainty

它解決的問題

深度神經網絡經常提供預測而不指示其信心程度，這可能導致在關鍵應用中得到不可靠的結果。TorchUncertainty 提供了一個全面的框架來量化這種不確定性，通過幫助使用者了解模型何時可能錯誤，使模型更可靠。

它是如何運作的

該庫提供了一個多層級 API，可與 PyTorch 和 PyTorch Lightning 整合，以在四個主要任務上實現各種不確定性量化技術：分類、概率/點wise 回歸、分割和像素wise 回歸。它提供：

• 不確定性感知模型：Deep Ensembles、MC-Dropout、變分貝葉斯神經網絡和 Deep Evidential 模型的實現。
• 後處理：用於校準（例如，temperature scaling）和 conformal prediction 的工具，以細化信心估計。
• 評估工具：自動化的例程來衡量適當分數、校準、分布外檢測和分布偏移指標。
• 資料增強：專門的方法如 Mixup 和現代化的損壞來測試模型穩健性。

它適合誰

它專為需要超越簡單點預測並在其深度學習管道中實施嚴格不確定性估計的機器學習研究者和從業者設計。

亮點

• 廣泛的方法支援：包含來自主要 ML 和 CV 會議的多篇論文的官方實現。
• 任務多樣性：支援多樣化的任務，包括圖像分割和單目深度估計。
• 自動化評估：內建的度量用於 OOD 檢測、選擇性分類和校準。
• 即用型元件：提供可直接插入的層、模型、度量和損失，以便輕鬆整合到現有網絡中。