Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

REGRESI KUANTILE BETA UNTUK ESTIMASI KETIDAKPASTIAN YANG KUAT DI

KEHADIRAN OUTLIER

Haleh Akrami*1, Umar Zamzam*1, Anand Joshi1, Sergul Aydore2, Richard Leahy1

1Departemen Teknik Elektro, University of Southern California, AS

2Layanan Web Amazon, New York, AS

ABSTRAK Perlu dicatat bahwa jumlah data pelatihan yang tidak terbatas tidak
arXiv:2309.07374v1 [cs.LG] 14 Sep 2023

Regresi Kuantil (QR) dapat digunakan untuk memperkirakan ketidakpastian aleatorik di jaringan saraf dalam akan mengurangi ketidakpastian aleatorik, meskipun hal ini dapat
dan dapat menghasilkan interval prediksi. Mengukur ketidakpastian sangat penting dalam penerapan kritis seperti mengurangi ketidakpastian epistemik. Ada banyak metode untuk
diagnosis klinis, di mana penilaian ketidakpastian yang realistis sangat penting dalam menentukan status penyakit memperkirakan ketidakpastian ini, termasuk regresi proses
dan merencanakan pengobatan yang tepat. Penerapan model regresi kuantil yang paling umum adalah ketika Gaussian, jaringan saraf sadar ketidakpastian, jaringan saraf
kemungkinan parametrik tidak dapat ditentukan. Meskipun regresi kuantil cukup kuat terhadap observasi respons Bayesian, dan metode ansambel [1, 2, 3].
outlier, regresi kuantil dapat sensitif terhadap observasi (fitur) kovariat outlier. Fitur outlier dapat mengganggu Studi terbaru mengusulkan penggunaan regresi kuantil
performa masalah regresi pembelajaran mendalam seperti terjemahan gaya, rekonstruksi gambar, dan deteksi bersyarat untuk memperkirakan ketidakpastian aleatorik dalam
anomali mendalam, sehingga berpotensi menghasilkan kesimpulan yang menyesatkan. Untuk mengatasi masalah jaringan saraf [2, 4, 5, 6, 7] dan menunjukkan bahwa ia dapat
ini, kami mengusulkan solusi kuat untuk regresi kuantil yang menggabungkan konsep divergensi kuat. Kami menghitung interval yang dikalibrasi dengan baik. Penerapan model
membandingkan kinerja metode yang kami usulkan dengan (i) regresi kuantil yang paling sedikit dipangkas dan (ii) regresi kuantil yang paling umum adalah dalam kasus di mana
regresi yang kuat berdasarkan regularisasi parameter spesifik kasus dalam kumpulan data nyata sederhana dengan kemungkinan parametrik tidak dapat ditentukan [8]. Mirip dengan
adanya outlier. Metode-metode ini belum diterapkan dalam kerangka pembelajaran mendalam. Kami juga analisis regresi klasik yang memperkirakan mean kondisional, theα
menunjukkan penerapan metode yang diusulkan dengan menerapkannya pada tugas penerjemahan pencitraan regresi kuantil -th (0< α <1)mencari solusi untuk masalah minimalisasi
medis menggunakan model difusi. Kami membandingkan kinerja metode yang kami usulkan dengan (i) regresi berikut [8]:
kuantil yang paling sedikit dipangkas dan (ii) regresi yang kuat berdasarkan regularisasi parameter spesifik kasus ∑
dalam kumpulan data nyata sederhana dengan adanya outlier. Metode-metode ini belum diterapkan dalam
argumen min ρα(kamuSaya-Fθ(XSaya)), (1)
θ Saya
kerangka pembelajaran mendalam. Kami juga menunjukkan penerapan metode yang diusulkan dengan

menerapkannya pada tugas penerjemahan pencitraan medis menggunakan model difusi. Kami membandingkan Di manaXSayaadalah masukannya,kamuSayaadalah tanggapannya,Fadalah model yang
kinerja metode yang kami usulkan dengan (i) regresi kuantil yang paling sedikit dipangkas dan (ii) regresi yang kuat diparameterisasi olehθ, Danραadalahfungsi pemeriksaanataukekalahan pinball[8]
berdasarkan regularisasi parameter spesifik kasus dalam kumpulan data nyata sederhana dengan adanya outlier. didefinisikan sebagai:
Metode-metode ini belum diterapkan dalam kerangka pembelajaran mendalam. Kami juga menunjukkan penerapan {
metode yang diusulkan dengan menerapkannya pada tugas penerjemahan pencitraan medis menggunakan model
(kamuSaya-Fθ(XSaya))α, jikakamuSaya≥Fθ(XSaya)
ρα(kamuSaya-Fθ(XSaya)) =
difusi. (Fθ(XSaya)-kamuSaya)(1− α), jikakamuSaya<Fθ(XSaya)

Telah ditunjukkan bahwa minimalisasi fungsi kerugian pada (1) setara

Ketentuan Indeks—Regresi kuantil, model Difusi, dengan memaksimalkan fungsi kemungkinan yang dibentuk dengan
Divergensi kuat menggabungkan kepadatan Laplace asimetris yang terdistribusi secara
independen [8],
1. PERKENALAN {∑ }
α(1− α) - ρ(kamu
Saya− fθ(X Saya))
arg maksL(θ) =
saya α
.
σ σ
pengalaman

Regresi kuantil menawarkan alternatif terhadap regresi rata-rata dalam θ

berbagai aplikasi yang memerlukan prediksi akurat dan keandalan yang
Di manaαadalah kuantil danσadalah parameter skala.
terkait. Misalnya, dalam diagnosis klinis, penilaian ketidakpastian prediksi
Baru-baru ini, regresi kuantil telah digunakan untuk estimasi
yang realistis sangat penting untuk menentukan status penyakit dan
ketidakpastian dalam tugas regresi seperti terjemahan gambar [9]
merencanakan pengobatan yang tepat. Dalam konteks pembelajaran
dan deteksi anomali [7] dalam pencitraan medis. Dalam domain-
mendalam, ada dua jenis ketidakpastian yang ditemui: aleatorik dan
domain ini, memperoleh estimasi ketidakpastian yang andal
epistemik. Ketidakpastian aleatorik muncul dari stokastisitas yang melekat
sangatlah penting. Dibandingkan dengan metode alternatif untuk
pada data, sedangkan ketidakpastian epistemik — sering disebut sebagai
estimasi ketidakpastian, seperti pengambilan sampel menggunakan
ketidakpastian model — disebabkan oleh keterbatasan model itu sendiri.
model generatif [7] atau estimasi ketidakpastian Bayesian, regresi
Dia
kuantil menawarkan efisiensi dan kecepatan komputasi, dan tidak
* Para penulis memberikan kontribusi yang sama untuk pekerjaan ini. memerlukan pengambilan sampel.
 Model pembelajaran mesin statistik yang melibatkan
pemaksimalan kemungkinan sangat sensitif terhadap outlier [10].
Meskipun regresi kuantil cukup kuat terhadap pengamatan respon
terpencil, regresi ini bisa sensitif terhadap pengamatan (fitur)
kovariat outlier. Telah terbukti bahwa mengganggu satu (XSaya, kamu
Saya) titik data secara sewenang-wenang dapat memaksa semua
hyperplane regresi kuantil berpotongan pada titik yang terganggu
[11]. Meskipun demikian, penting untuk digarisbawahi bahwa hanya
sejumlah kecil makalah yang mengeksplorasi kekuatan regresi
kuantil dalam konteks observasi kovariat, khususnya dalam kerangka
pembelajaran mendalam.
Kami menguraikan kontribusi kami dalam makalah ini sebagai
berikut: (i) Kami mengusulkan pendekatan regresi kuantil yang
memanfaatkan konsep dari divergensi yang kuat. (ii) Kami
membandingkan kinerja metode yang kami usulkan, khususnya dengan
adanya outlier, dengan teknik yang sudah ada seperti Regresi Kuantil
Terkecil yang Dipangkas [11], yang berfungsi sebagai satu-satunya
metode dasar yang tersedia, dan metode regresi kuat yang
mengandalkan regularisasi data. parameter spesifik kasus, baik dalam
kumpulan data sederhana maupun kumpulan data simulasi. (iii) Akhirnya,
untuk mengilustrasikan kegunaan praktis dari metode yang diusulkan,
kami menerapkannya pada tugas penerjemahan pencitraan medis,
menggunakan model difusi yang canggih.
2. METODE
Kami mulai dengan menjelaskan secara singkat formulasi
regresi kuantil paling sedikit [11] dan regresi kuat
berdasarkan regularisasi parameter kasus spesifik.
2.1. Regresi Kuantil Pangkas Terkecil (TQR)
Fungsi tujuan TQR didefinisikan sebagai:
∑
argumen min ρα(kamuSaya-Fθ(XSaya))
θ Kerugian ini dapat diartikan sebagai M-estimate.
SAYAC
Di manaSAYACadalah subset sampel dengan sampel C dari
dataset pelatihan yang menghasilkan kesalahan terkecil.
Pengoptimalannya mirip dengan regresi kuantil dengan proses
berulang tambahan. Setelah diinisialisasi dengan sampel acak C,
pada setiap iterasi dipilih sampel dengan error terkecil untuk
pelatihan pada iterasi berikutnya dan proses diulangi hingga
tidak terjadi perubahan nilai loss yang signifikan dibandingkan
dengan iterasi sebelumnya. Kami menggunakan TQR dalam
kerangka optimasi penurunan gradien, di mana kami hanya
menggunakan subset dari batch dengan kesalahan terendah
untuk propagasi mundur.
2.2. Regresi yang kuat berdasarkan regularisasi
parameter spesifik kasus (RCP)
Dia dan Owen [12] mengusulkan metode regresi yang kuat menggunakan
indikator kasus spesifik dalam model pergeseran rata-rata dengan
metode regularisasi. Dengan menggeneralisasi metodenya menjadi
regresi kuantil, kerugian akhir dapat disederhanakan menjadi:
∑ ∑
argumen min ρα(kamuSaya-Fθ(XSaya)− γSaya) +λ |γSaya| (3)
θ
Saya Saya
Optimalisasi ini dapat diselesaikan dengan menggunakan pendekatan alternatif
dan soft margin Thresholding. RCP dapat digunakan untuk model berbasis
kemungkinan apa pun.
2.3.β-regresi kuantil (β-QR)
Untuk estimasi parameter, memaksimalkan kemungkinan
setara dengan meminimalkan KL-divergence antara
distribusi empiris input dan model statistik.Q(ϕ). Demikian
pula yang kuatβ-kehilangan (Lβ) dapat diturunkan dengan
mengganti KL-divergence denganβ-perbedaanDβ[13, 14, 15].
∫
1
Dβ(F(X)||G(X)) = (F(X)βG(X)β)F(X)dx
β
∫
1
- (F(X)β+1G(X)β+1)dx
β+1
∫
1∑pengalaman(akuSaya
(x , q(ϕ)))-1 N 1
Lβ= + Q(ϕ)β+1
β β+1
Di manaaku(XSaya, Q(ϕ))menunjukkan kemungkinan log observasi X
Saya. Kerugian ini memberikan bobot pada setiap observasi
berdasarkan besarnya kemungkinan, sehingga mengurangi
pengaruh outlier pada pelatihan model [13]. Dalam kasus regresi
kuantil, kerugian dapat disederhanakan menjadi:
1∑pengalaman(−βρα((kamuSaya-Fθ(XSaya))/σ)-1 N
Lβα= (4)
β
(2) Hiperparameterσdapat diasumsikan 1 untuk kesederhanaan.
Hiperparameterβmenentukan tingkat ketahanannya.
2.4. Regresi kuantitatif untuk model difusi untuk tugas
regresi
Model probabilistik difusi [16] terutama terdiri dari dua proses
penting: proses maju yang secara bertahap menambahkan derau
Gaussian ke sampel data, dan proses sebaliknya yang mengubah
derau Gaussian menjadi distribusi data empiris melalui proses
denoising bertahap. Model difusi bersyarat [17] menggabungkan
sampel masukan untuk mengkondisikan proses denoising. Masalah
penerjemahan gambar dapat dimodelkan sebagai model difusi
bersyarat, yang direpresentasikan sebagai:P(kamu|x), Di manakamu
adalah gambar target danXadalah gambar pengkondisi masukan.
Dalam tulisan ini, kami menangani masalah penerjemahan gambar
dimana gambar masukanXadalah gambar MRI otak berbobot T1 dan
targetnyakamuadalah gambar berbobot T2 yang sesuai. Model difusi
Fθ(X)dilatih untuk memulihkan bobot T2
 Q
Q0.75

gambar-gambarkamudari kebisingan Gaussianϵ∼ N(0, SAYA) Q0.5

0,25

dikondisikan pada gambar masukan berbobot T1X. Untuk rincian

model difusi dan difusi bersyarat, kami mengacu pada beberapa
karya yang memberikan pembahasan lengkap terhadap formulasi
matematika [18, 19, 17, 16, 20]. Daripada meminimalkan kerugian Regresi kuantil Regresi kuantil pada data bersih

kesalahan kuadrat rata-rata antar targetkamudan perkiraannyaFθ(X)

yang menghasilkan masalah regresi rata-rata, masalah minimalisasi
pada (1) diadopsi untuk memprediksiαjumlah gambar target. Kami
menunjukkan bahwa dengan adanya outlier di set pelatihan,
mengganti fungsi kerugian di (1) dengan fungsi kerugian yang B-QR TQR RCP

diusulkan di (4) menghasilkan model yang sedikit terpengaruh oleh

outlier, sehingga mendekati model yang dilatih hanya menggunakan Gambar 1.Regresi kuantil linier yang kuat menggunakan TQR, RCP,β
sampel awal. Rincian percobaan yang dilakukan disajikan pada - QR untuk kumpulan data CYB OB1 cluster bintang.
-
bagian berikut. -XSaya− λ jikaXSaya> λ
proksiλ,l(X1 Saya) := X+λ jikaXSaya<λ (5)
-- Saya
3. EKSPERIMEN DAN HASIL 0 jika tidak.

Kami melakukan iterasi antara optimalisasi dua

Pada bagian ini, kami mengevaluasi metode yang kami usulkan pada kumpulan
komponen fungsi biaya hingga konvergensi.
data nyata sederhana, kumpulan data berbasis simulasi, dan masalah
terjemahan gambar medis.
3.2. Contoh mainan untuk estimasi ketidakpastian

Di sini kami menggunakan kumpulan data sintetik sederhana yang

3.1. Gugus bintang CYB OB1
diperkenalkan pada [4] dan kami menambahkan 1% outlier. Tagasovska

Pertama, kita mulai dengan kumpulan data sederhana pada dan Lopez-Paz [4] menerapkan Regresi Kuantil (SQR) secara simultan

gugus bintang CYB OB1 yang dianalisis pada [11]. Dataset ini untuk memperkirakan ketidakpastian aleatorik dan menyarankan untuk

terdiri dari 47 observasi dimana empat titik dengan leverage memperkirakan semua tingkat kuantil secara bersamaan. Kami

tinggi tidak mengikuti tren data lainnya. Ia memiliki satu variabel memodelkan data menggunakan jaringan saraf tiga lapis dengan fungsi

penjelas yaitu logaritma suhu efektif di permukaan bintang. aktivasi ReLU. Kami kemudian menerapkan tiga metode tangguh TQR,

Variabel bebasnya adalah logaritma intensitas cahayanya. Para RCP, danβ-QR. Kami menggunakan SGD dengan pengoptimal ADAM

penulis telah menunjukkan kemanjuran regresi kuantil yang untuk pelatihan. Kami melatih TQR danβ-QR dengan ukuran batch 128

paling sedikit dipangkas dibandingkan dengan regresi kuantil dan dijalankan masing-masing selama 500 epoch. RCP dilatih selama

menggunakan optimasi program linier untuk menemukan sepuluh epoch dan 500 langkah optimasi berulang. Kami memperkirakan

parameter model. Namun, tujuan kami adalah untuk menyelidiki kinerja model kuat untuk kuantil 0,25, 0,5, dan 0,75. Hasil kami

ketahanan dalam jaringan saraf di mana solusinya akan dihitung menunjukkan hal ituβ-QR memperkirakan kuantil yang kuat dan hasil

menggunakan penurunan gradien stokastik (SGD). Kami yang sebanding dengan TQR (Gbr. 2).

memperkirakan 0,25, 0,5, dan 0,75 kuantil dengan jaringan saraf.

Kami mengimplementasikan masalah regresi kuantil linier dengan
jaringan saraf satu lapis dengan aktivasi linier. Kemudian kami
menerapkan tiga metode kuat yang disarankan TQR, RCP, dan β-QR. Kami
menggunakan GD dengan pengoptimal ADAM untuk melatih jaringan. Kebenaran dasar Model Rusak

Kami memilih hyperparameter untuk setiap model (persentase

pemangkasan, L danβ) menggunakan pencarian grid. Kami menggunakan
ukuran batch 47 dan melakukan 5000 iterasi.
Hasilnya ditunjukkan pada Gambar. 1. Untuk perbandingan
Pemangkasan TQR 10%.
β-QR β=3 RCP L=0,1
kuantitatif model Kami menghitung norma Frobenius antara setiap
kuantil estimasi dan solusi, yang dipelajari hanya dengan Gambar 2.Regresi kuantil non-linier yang kuat menggunakan TQR,
menggunakan inlier (Tabel 1 dan Gambar 1). Ituβ- Metode QR RCP,β-QR menggunakan jaringan saraf sederhana untuk contoh
menunjukkan kinerja terbaik di antara metode-metode tersebut. mainan.
Untuk mengoptimalkan biaya RCP, kami menggunakan Metode Arah
3.3. Regresi kuantil untuk estimasi ketidakpastian dalam
Bolak-balikfo∑
Pengganda (ADMM) di wh∑
ich kita membagi tujuan-
model difusi
aktif ke dalam Sayaρα(kamuSaya−fθ(XSaya)−γSaya)Danλ Saya|γSaya|. Kami
mengoptimalkan yang pertama menggunakan GD dengan pengoptimal ADAM, dan Di bagian ini, kami menyajikan eksperimen yang bertujuan untuk
untuk yang terakhir, kami menggunakan metode proksimal untukL1objektif: menunjukkan keefektifan usulan regresi kuantil kuat kami.
 Pencilan- model bebas
model r
Keterlaluan
Model yang kuat

Gambar 3.Memperkirakan T2 MRI QL(0,05),QH(0,95),QM(0,5) untuk model difusi dari T1 MRI. Membandingkan kuantil taksiran menggunakan
kuantil tidak kuat dan kuat (β-QR) model dengan model bebas outlier.

Tabel 1.Perbandingan kinerja TQR, RCP dan β-QR. Setiap Meja 2.Membandingkan kinerjaβ-QR dengan bebas outlier pada
entri menunjukkan norma Frobenius tentang perbedaan model dasar. Untuk kesalahan prediksi, MSE menghitung antara
antara estimasi kuantil dan kebenaran dasarnya (bebas ground truth T2 dan median masing-masing model
outlier) untuk kumpulan data gugus bintang CYB OB1. metode Kesalahan prediksi Kesalahan kuantitas

metode CYB-Q1 CYB-Q2 CYB-Q3 Bebas pencilan 0,0086 -

TQR 1.04 1.12 1.12 Dasar 0,0132 0,0097
RCP 3.43 4.82 3.74 β-QR 0,0074 0,0013
β-QR 0,93 0,77 0,85 TQR 0,0107 0,0015

pendekatan sion dalam tugas pencitraan medis. Secara khusus, kami

penyertaan fungsi kerugian yang kuat selama pelatihan model
fokus pada mengatasi masalah outlier dalam tugas penerjemahan
secara signifikan meningkatkan ketahanan model terhadap
gambar, di mana kami menggunakan model difusi untuk memprediksi
outlier, sehingga menghasilkan model yang andal yang
berbagai kuantil gambar MRI otak berbobot T2 berdasarkan masukan
mendekati performa model yang dilatih secara eksklusif pada
gambar berbobot T1.
data bersih. Kami memperkirakan 0,05,0,5, dan 0,95 untuk
Dataset pelatihan kami terdiri dari dua kelompok subjek yang berbeda: (i) Subjek bebas lesi yang berasal dari dataset
kumpulan data ini. Untuk perbandingan model kuat dan tidak
Cam-CAN (in-liers) [21], yang mewakili individu tanpa lesi otak, dan (ii) Subjek lesi yang bersumber dari dataset BRATS [22] yang
kuat, kami menghitung: (1) MSE antara kuantil estimasi dan
memang memiliki lesi otak, sehingga memasukkan outlier ke dalam dataset. Melatih model difusi hanya pada data Cam-CAN dan
kuantil prediksi model bebas outlier; dan (2) MSE antara median
menggunakan fungsi kerugian pada (1) menghasilkan model andal yang berhasil menangkap hubungan antara T1 dan kuantil
prediksi dan citra T2 kebenaran dasar. Kami menyetelnya β
gambar T2. Namun, memasukkan gambar otak yang “outlier” dari dataset BRATS ke dalam set pelatihan dan menggunakan
parameter menggunakan set validasi.
fungsi kerugian yang sama secara signifikan mengganggu proses pelatihan, sehingga menghasilkan model yang kurang dapat

diandalkan dan kuantil yang rusak. Untuk mengurangi dampak buruk dari sampel outlier dan memulihkan keandalan model,

kami mengintegrasikan usulan fungsi kerugian kuat yang disajikan pada (4) ke dalam proses pelatihan. Fungsi kerugian ini 4. KESIMPULAN
dirancang untuk mengurangi pengaruh outlier selama pelatihan, sehingga secara efektif membawa performa model mendekati

performa model yang dilatih hanya pada data bersih dari set data Cam-CAN. Fungsi kerugian yang kuat digunakan untuk melatih Dalam makalah ini kami memperkenalkan pendekatan regresi kuantil
model dengan kumpulan data gabungan Cam-CAN dan BRATS. Hasil percobaan ini diilustrasikan pada Gambar 3, memberikan kuat yang dirancang untuk meningkatkan keandalan model
perbandingan kualitatif dari model yang dilatih. Tabel 2 menunjukkan hasil kuantitatif kami. Hasil ini dengan jelas menunjukkan pembelajaran mendalam dalam menghadapi outlier. Metode kami
hal itu Fungsi kerugian ini dirancang untuk mengurangi pengaruh outlier selama pelatihan, sehingga secara efektif membawa memanfaatkan konsep dari divergensi yang kuat hingga pengaruh
performa model mendekati performa model yang dilatih hanya pada data bersih dari set data Cam-CAN. Fungsi kerugian yang outlier yang lebih kecil selama pelatihan. Kami mendemonstrasikan
kuat digunakan untuk melatih model dengan kumpulan data gabungan Cam-CAN dan BRATS. Hasil percobaan ini diilustrasikan keefektifan pendekatan kami pada kumpulan data yang sederhana
pada Gambar 3, memberikan perbandingan kualitatif dari model yang dilatih. Tabel 2 menunjukkan hasil kuantitatif kami. Hasil ini namun nyata, menunjukkan kemampuannya dalam meningkatkan
dengan jelas menunjukkan hal itu Fungsi kerugian ini dirancang untuk mengurangi pengaruh outlier selama pelatihan, sehingga akurasi regresi kuantil dibandingkan dengan metode regresi kuantil
secara efektif membawa performa model mendekati performa model yang dilatih hanya pada data bersih dari set data Cam-CAN. kuat yang ada. Memperluas penerapan pada pencitraan medis, dan
Fungsi kerugian yang kuat digunakan untuk melatih model dengan kumpulan data gabungan Cam-CAN dan BRATS. Hasil menunjukkan kegunaan praktisnya, pendekatan yang diusulkan
percobaan ini diilustrasikan pada Gambar 3, memberikan perbandingan kualitatif dari model yang dilatih. Tabel 2 menunjukkan terbukti efektif dalam mengurangi efek outlier pada pelatihan model
hasil kuantitatif kami. Hasil ini dengan jelas menunjukkan hal itu memberikan perbandingan kualitatif dari model yang dilatih. difusi untuk menerjemahkan gambar otak MRI dari modalitas
Tabel 2 menunjukkan hasil kuantitatif kami. Hasil ini dengan jelas menunjukkan hal itu memberikan perbandingan kualitatif dari pembobotan T1 ke pembobotan T2, sehingga menjadikan kinerjanya
model yang dilatih. Tabel 2 menunjukkan hasil kuantitatif kami. Hasil ini dengan jelas menunjukkan hal itu lebih dekat dengan modalitas pembobotan T1 ke pembobotan T2.
model dilatih hanya pada data bersih.
 5. REFERENSI [20] Chitwan Saharia, William Chan, Huiwen Chang, Chris Lee, Jonathan
Ho, Tim Salimans, David Fleet, dan Mohammad Norouzi, “Palette:
[1] Nicki Skafte, Martin Jørgensen, dan Søren Hauberg, “Pelatihan yang andal Model difusi gambar-ke-gambar,” dalamProsiding Konferensi ACM
dan estimasi jaringan varians,” diKemajuan dalam Sistem Pemrosesan SIGGRAPH 2022, 2022, hlm.1–10.
Informasi Neural, 2019, hlm.6323–6333.
[21] Jason R Taylor, Nitin Williams, Rhodri Cusack, Tibor Auer, Meredith A Shafto,
[2] Yaniv Romano, Evan Patterson, dan Emmanuel Candes, “Regresi kuantil Marie Dixon, Lorraine K Tyler, Richard N Henson, dkk., “Pusat Cambridge
terkonformalisasi,” dalamKemajuan dalam Sistem Pemrosesan Informasi untuk Penyimpanan Data Penuaan dan Ilmu Saraf (cam-can) : Data mri,
Neural, 2019, hlm.3543–3553. meg, dan kognitif struktural dan fungsional dari sampel umur orang
[3] Jakob Gawlikowski, Cedrique Rovile Njieutcheu Tassi, Mohsin Ali, Jongseok dewasa cross-sectional,”gambar saraf, jilid. 144, hal.262–269, 2017.
Lee, Matthias Humt, Jianxiang Feng, Anna Kruspe, Rudolph Triebel, Peter
Jung, Ribana Roscher, dkk., “Survei ketidakpastian dalam jaringan saraf [22] Bjoern H Menze, Andras Jakab, Stefan Bauer, Jayashree Kalpathy-
dalam,”Tinjauan Kecerdasan Buatan, hal.1–77, 2023. Cramer, Keyvan Farahani, Justin Kirby, Yuliya Burren, Nicole Porz,
[4] Natasa Tagasovska dan David Lopez-Paz, “Ketidakpastian model tunggal untuk Johannes Slotboom, Roland Wiest, dkk., “Patokan segmentasi
pembelajaran mendalam,” diKemajuan dalam Sistem Pemrosesan Informasi gambar tumor otak multimodal (anak nakal ),”Transaksi IEEE pada
Neural, 2019, hlm.6417–6428. pencitraan medis, jilid. 34, tidak. 10, hal. 1993–2024, 2014.
[5] Haleh Akrami, Anand Joshi, Sergul Aydore, dan Richard Leahy, “Regresi
kuantil untuk estimasi ketidakpastian dalam berbagai hal dengan aplikasi
untuk deteksi lesi otak,” diKonferensi Internasional tentang Pemrosesan
Informasi dalam Pencitraan Medis. Springer, 2021, hlm.689–700.
[6] Haleh Akrami, Anand Joshi, Sergul Aydore, dan Richard Leahy, “Regresi
kuantil mendalam untuk estimasi ketidakpastian dalam deteksi lesi tanpa
pengawasan dan pengawasan,”arXiv pracetak arXiv:2109.09374, 2021.
[7] Anastasios N Angelopoulos, Amit Pal Kohli, Stephen Bates, Michael Jordan,
Jitendra Malik, Thayer Alshaabi, Srigokul Upadhyayula, dan Yaniv Romano,
“Regresi gambar-ke-gambar dengan kuantifikasi ketidakpastian bebas
distribusi dan aplikasi dalam pencitraan,” diKonferensi Internasional
tentang Pembelajaran Mesin. PMLR, 2022, hlm.717–730.
[8] Keming Yu dan Rana A Moyeed, “Regresi kuantil Bayesian,” Statistik &
Surat Probabilitas, jilid. 54, tidak. 4, hal.437–447, 2001.
[9] Haleh Akrami, Anand A Joshi, Sergül Aydöre, dan Richard M Leahy, “Regresi kuantil
mendalam untuk estimasi ketidakpastian dalam deteksi lesi tanpa pengawasan
dan pengawasan,”Jurnal pembelajaran mesin untuk pencitraan biomedis, jilid. 1
Agustus 2022.

[10]Peter J Huber,Statistik yang kuat, Pegas, 2011.

[11] NM Neykov, Pavel Čı́žek, Peter Filzmoser, dan PN Neytchev, “Regresi kuantil
yang paling sedikit dipangkas,”Statistik Komputasi & Analisis Data, jilid.
56, tidak. 6, hal.1757–1770, 2012.
[12] Yiyuan She dan Art B Owen, “Deteksi pencilan menggunakan regresi
berpenalti noncembung,”Jurnal Asosiasi Statistik Amerika, jilid. 106,
tidak. 494, hlm.626–639, 2011.
[13] Ayanendranath Basu, Ian R Harris, Nils L Hjort, dan MC Jones, “Estimasi
yang kuat dan efisien dengan meminimalkan divergensi daya kepadatan,”
Biometrika, jilid. 85, tidak. 3, hal.549–559, 1998.
[14] Haleh Akrami, Anand A Joshi, Jian Li, Sergül Aydöre, dan Richard M Leahy,
“Autoencoder variasional yang kuat menggunakan divergensi beta,”
Sistem berbasis pengetahuan, jilid. 238, hal.107886, 2022.
[15] Haleh Akrami, Sergul Aydore, Richrd M Leahy, dan Anand A Joshi,
“Autoencoder variasional yang kuat untuk data tabular dengan divergensi
beta,” arXiv pracetak arXiv:2006.08204, 2020.
[16] Jonathan Ho, Ajay Jain, dan Pieter Abbeel, “Menyangkal model probabilistik
difusi,”Kemajuan dalam sistem pemrosesan informasi saraf, jilid. 33,
hlm.6840–6851, 2020.
[17] Chitwan Saharia, Jonathan Ho, William Chan, Tim Salimans, David J Fleet,
dan Mohammad Norouzi, “Resolusi super gambar melalui
penyempurnaan berulang,”Transaksi IEEE pada Analisis Pola dan
Kecerdasan Mesin, jilid. 45, tidak. 4, hal.4713–4726, 2022.
[18] Alexander Quinn Nichol dan Prafulla Dhariwal, “Peningkatan model
probabilistik difusi denoising,” diKonferensi Internasional tentang
Pembelajaran Mesin. PMLR, 2021, hlm.8162–8171.
[19] Jascha Sohl-Dickstein, Eric Weiss, Niru Maheswaranathan, dan Surya Ganguli,
“Pembelajaran mendalam tanpa pengawasan menggunakan termodinamika
nonequilibrium,” diKonferensi internasional tentang pembelajaran mesin. PMLR,
2015, hlm.2256–2265.