|
简单来说，就是让神经网络自己对自己的结果可信度打个分，颠颠自己“几斤几两”！
打个比方，在自动驾驶中，模型通过对各种传感器的数据进行分析，这就是“交叉路口一切正常”和“可能安全，要以防万一”的区别。
目前的神经网络不确定性评估往往成本昂贵，并且要耗费相当长的时间，但是阿米尼提出的“深度证据回归”（deep evidential regression），可以加速这一过程，并且得到更可靠的结果。
麻省理工学院计算机科学与人工智能实验室（CSAIL）DanielaRus教授团队的博士生Amini说：“我们不仅需要拥有高性能的模型，还需要理解什么时候我们不能信任这些模型。”
“这个想法很重要，适用范围很广。它可以用来评估依赖于学习模型的产品。通过对学习模型的不确定性进行估计，我们还可以了解该模型可能带来的误差，以及哪些缺失的数据可以改进该模型。”Rus说。
阿米尼将在 NeurIPS 会议上展示这项研究，Rus将与他一起赴会。
有效的不确定性
在经历了一段起伏不定的历史之后，深度学习已经在各种任务中展现出了卓越的表现，在某些情况下甚至超过了人类的准确性。
现在，深度学习似乎无处不在。它为搜索引擎结果、社交媒体订阅和人脸识别提供了技术基础。“我们已经通过深度学习取得了巨大的成功，”阿米尼说。“神经网络在 99% 的时间里都很擅长知道正确的答案。”
但是在生命面前，容不得AI 1%的侥幸。
阿米尼说: “研究人员一直在逃避的一件事，这些模型需要知道并告诉我们它们可能是错误的。”
“我们真正关心的是那1%的时候，以及我们如何能够可靠而有效地发现这些情况。”
神经网络有的规模非常大，有的拥有高达数十亿的参数。因此，仅仅为了得到一个答案，这可能是一个繁重的计算工作，更不用说置信度了。
神经网络中的不确定性分析并不新鲜。但是之前基于贝叶斯深度学习的方法，是多次依赖于运行，或抽样一个神经网络来理解它的可信度。这个过程需要大量的时间和内存，在像智能交通这样的场景中就不实用了。
研究人员设计了一个只从单个运行的神经网络来估计不确定性的方法。他们设计的网络具有多个输出，不仅可以输出一个预测，而且会产生一个新的概率分布，捕获支持该预测的可信度。
基于软总线技术底座，分布式数据管理技术能够使跨设备文件传输接近同设备文件传输的速度，分布式数据库的 OPS 性能比安卓的 ContentProvider 快1.3倍，让跨设备数据处理如同本地一样快捷方便。
在分布式安全方面，HarmonyOS 2.0 也达到了单设备系统的安全水准，并且获得了微内核 CC EAL 5+ 级别的安全认证，确保正确的人、用正确的设备、正确地使用数据，从而提升全场景设备的安全性。相信在手机开发者 Beta 版上，HarmonyOS 2.0 的分布式性能也将会得到进一步提升。
磨利器，持续助力开发者快速开发
与 HarmonyOS 2.0 同步上线的一站式开发环境——DevEco Studio 2.0 ，如今也迭代到 Beta2 版本。新增对 Mac OS 的支持，让开发者在 Mac 平台上也可以一站式开发集成华为分布式能力的应用，通过灵活选配分布式 SDK 组件，自动安全扫描等操作，大大降低了开发者的门槛，提高了开发效率。
可用性和可靠性是比较容易搞混的两个指标，以一台取款机为例：
-
正确的输入，能够取到正确的钱，表示系统可靠;
-
取款机7*24小时提供服务，表示系统可用;
保证系统高可用的方法是：
什么是连通性与扩展性?
分布式系统，往往有多个节点，每个节点之间，都不是完全独立的，需要相互通信，当发生节点无法联通时，数据是否还能保持一致，系统要如何进行容错处理，是需要考虑的。
同时，连通性和扩展性紧密相关，想要加机器扩展性能，必须有良好的连通性。当一个节点脱离系统，系统就出现问题，往往意味着系统是无法扩展的。
（编辑：宜春站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
