Ranking information extracted from uncertainty quantification of the prediction of a deep learning model on medical time series data
Autores: Stoean, Ruxandra; Stoean, Catalin; Atencia, Miguel; Rodríguez-Labrada, Roberto; Joya, Gonzalo
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Ranking information extracted from uncertainty quantification of the prediction of a deep learning model on medical time series data
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Cuantificación de incertidumbre
Modelos de aprendizaje profundo
Eliminación de Monte Carlo
Aplicaciones médicas
Arquitecturas neuronales
Modelo de red de memoria a corto y largo plazo convolucional
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
La cuantificación de la incertidumbre en modelos de aprendizaje profundo es especialmente importante para las aplicaciones médicas de este tipo de arquitecturas neuronales complejas y exitosas.
Descripción
La cuantificación de la incertidumbre en modelos de aprendizaje profundo es especialmente importante para las aplicaciones médicas de este tipo de arquitecturas neuronales complejas y exitosas.