arXiv:2604.22360cs.LG2026-04
用神经激活覆盖率评估回归模型的不确定性，效果优于传统方法。
Revisiting Neural Activation Coverage for Uncertainty Estimation
- 将激活覆盖率扩展为训练后模型的不确定性评估工具
- 在回归任务中表现优于蒙特卡洛丢弃等方法
- 适合需要可信置信度估计的落地场景
神经激活覆盖率（NAC）是一种新兴的分布外检测与泛化评估技术。本文在此基础上将其拓展应用于回归任务中的不确定性估计，适用于已训练完成的人工神经网络。实验表明，使用NAC计算的不确定性分数比蒙特卡洛丢弃等现有方法更具意义，能更准确反映模型对预测结果的信心程度。
原文摘要 · Abstract (English)
Neural activation coverage (NAC) is a recently-proposed technique for out-of-distribution detection and generalization. We build upon this promising foundation and extend the method to work as an uncertainty estimation technique for already-trained artificial neural networks in the domain of regression. Our experiments confirm NAC uncertainty scores to be more meaningful than other techniques, e.g. Monte-Carlo Dropout.
不确定性估计回归模型激活覆盖率
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。