研究人员说，他们已经找到了一种有效的AI算法方法，例如生物识别技术中使用的算法，以判断其对决策的信心。据报道，该技术也不会影响模型的性能，也可以用来发现深击。
该软件可以快速报告其决定，以及对基础输入数据和决策本身的信心。
使用此信息，用户可以实时决定是否需要重新设计自己的模型以获得更好的质量输出，根据马萨诸塞州技术学院和哈佛大学的研究人员。
今天可以写算法，以判断和报告他们的信心，但该过程是资源密集的，相对较慢。需要不确定性分析的用户必须反复运行神经网络，以了解算法的自信心。
对于AI的一些热切期望的角色，例如自动飞行或驾驶，这些模型在操作上是不切实际的，这将取决于原始的计算功率和近乎触手可及的决策。
研究小组开发了他们所谓的深层证据回归，以估计神经网络的单个运行的不确定性。
为了测试他们的创新，他们训练了一个神经网络来分析单眼色图像，估计相机镜头和每个图像的像素之间的距离。网络对像素的预测预测错误深度的网络预测了高度的不确定性。
换句话说，在做出错误预测的情况下，它不确定。
神经网络也发现了塑造的图像。在提交到网络的一些图像中，对抗性噪声水平提高了。
研究人员认为，虽然效果“对人的眼睛几乎不感知”，但该模型可靠地将操纵标记为高度不确定的。
