Interpretable epistemic uncertainty decomposition in sequential generative models via polynomial chaos surrogates
通过多项式混沌代理实现序列生成模型中可解释的epistemic不确定性分解
机构 * Mathematical Institute, University of Oxford, United Kingdom（牛津大学数学研究所，英国） ； IBM Research, Thomas J. Watson Research Center, USA（IBM研究院，托马斯·J·沃森研究中心，美国） ； IBM Research Europe, Daresbury, United Kingdom（IBM欧洲研究院，达尔斯伯里，英国） ； MIT–IBM Watson AI Lab, Massachusetts, USA（麻省理工–IBM沃森人工智能实验室，马萨诸塞州，美国） ； Université de Montréal, Mila–Quebec AI Institute, Montreal, Quebec, Canada（蒙特利尔大学，魁北克人工智能研究所，蒙特利尔，魁北克，加拿大）
AI总结 本文提出通过多项式混沌展开分析序列生成模型中epistemic不确定性的来源，揭示奖励组件对生成决策的影响，优于深度集合、贝叶斯神经网络等方法，且在多个真实任务中展现高效性和鲁棒性。
Comments 37 pages, 15 figures
