monte-carlo-dropout

本文评估了基于BERT的问答模型（RoBERTa、ALBERT、DistilBERT）在蒙特卡洛Dropout和输入改写条件下的可靠性，发现RoBERTa更为一致，并验证了MCD作为可靠性指标的有效性。

本文表明，蒙特卡洛丢弃法能够为胸部X光片分类器提供认知不确定性信号，当以二元错误风险标志的方式传达时，可改善临床决策支持代理的错误检测，并减少自信误诊。

本文针对AI驱动碰撞仿真替代模型中的不确定性量化问题，对蒙特卡洛Dropout与深度集成方法进行了对比研究，采用开源保险杠横梁作为基准测试。

本文认为强化学习中的奖励模型往往过于敏感，对同样好的回答给出不同分数，并提出了一个基于Monte Carlo dropout的免训练离散化算法来降低过度敏感性，从而提高策略质量。

本文指出了连续奖励模型在强化学习中的过度敏感问题，即同等质量的回复被赋予不同的分数，并提出了一种使用蒙特卡洛dropout的离散化技术，以减少这种过度敏感，同时保持区分能力，从而得到更好的策略并减少奖励破解。