elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Barrierefreiheit | Kontakt | English
Schriftgröße: [-] Text [+]

Lightning UQ Box: Uncertainty Quantification for Neural Networks

Lehmann, Nils und Gottschling, Nina Maria und Gawlikowski, Jakob und Stewart, Adam J. und Depeweg, Stefan und Nalisnick, Eric (2025) Lightning UQ Box: Uncertainty Quantification for Neural Networks. Journal of Machine Learning Research (26), Seiten 1-7. Microtome Publishing. ISSN 1532-4435.

[img] PDF - Verlagsversion (veröffentlichte Fassung)
232kB

Offizielle URL: http://jmlr.org/papers/v26/24-2110.html

Kurzfassung

Although neural networks have shown impressive results in a multitude of application domains, the "black box" nature of deep learning and lack of confidence estimates have led to scepticism, especially in domains like medicine and physics where such estimates are critical. Research on uncertainty quantification (UQ) has helped elucidate the reliability of these models, but existing implementations of these UQ methods are sparse and difficult to reuse. To this end, we introduce Lightning UQ Box, a PyTorch-based Python library for deep learning-based UQ methods powered by PyTorch Lightning. Lightning UQ Box supports classification, regression, semantic segmentation, and pixelwise regression applications, and UQ methods from a variety of theoretical motivations. With this library, we provide an entry point for practitioners new to UQ, as well as easy-to-use components and tools for scalable deep learning applications.

elib-URL des Eintrags:https://elib.dlr.de/213773/
Dokumentart:Zeitschriftenbeitrag
Titel:Lightning UQ Box: Uncertainty Quantification for Neural Networks
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Lehmann, NilsNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Gottschling, Nina Marianina-maria.gottschling (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Gawlikowski, JakobJakob.Gawlikowski (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Stewart, Adam J.Adam.Stewart (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Depeweg, StefanSiemens AGNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Nalisnick, EricJohn Hopkins UniversityNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:15 März 2025
Erschienen in:Journal of Machine Learning Research
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Seitenbereich:Seiten 1-7
Verlag:Microtome Publishing
Name der Reihe:Machine Learning Open Source Software
ISSN:1532-4435
Status:veröffentlicht
Stichwörter:Uncertainty, Deep Learning, Lightning, Software
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Gawlikowski, Jakob
Hinterlegt am:23 Apr 2025 08:30
Letzte Änderung:18 Jul 2025 11:41

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
OpenAIRE Validator logo electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.