Newest papers

Stochastic Nonlinearities Improve Uncertainty Estimation

Mohammad Sarhangzadeh, Amirreza M. Shebly, Doruk Oner · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29875 · open-access PDF

Portuguese

A estimativa confiável da incerteza é importante em todas as tarefas de reconhecimento visual, fornecendo informações sobre a confiança e confiabilidade das previsões de modelo.Muitos métodos de estimativa da incerteza obtêm diversidade preditiva através de mecanismos que podem suprimir características intermediárias, perturbar a entrada ou exigir cálculos adicionais substanciais.Funções de ativação estocástica, onde unidades de rede selecionam aleatoriamente entre múltiplas não-linearidades durante uma passagem avançada, têm sido usadas anteriormente para melhorar o comportamento de otimização, mitigar as limitações das ativações de ReLU fixas e aumentar a saída.

Machine translation (Meta M2M100); the English original follows.

Abstract

Reliable uncertainty estimation is important across visual recognition tasks, providing information about the confidence and reliability of model predictions. Many uncertainty estimation methods obtain predictive diversity through mechanisms that can suppress intermediate features, perturb the input, or require substantial additional computation. Stochastic activation functions, where network units randomly select between multiple nonlinearities during a forward pass, have previously been used to improve optimization behavior, mitigate limitations of fixed ReLU activations, and increase output

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange