Ewers

rizos，Georgios，Lawson，Jenna，Mitchell，Simon L.，Shah，Pranay，Wen，Xin，Xin，Banks-Leite，Cristina，Ewers，Ewers，Robert和Schuller，BjörnW（2024）

在传播预测的输入之后，贝叶斯神经网络还可以不确定。这有可能通过拒绝低信心的预测来指导训练过程，而最近的变异贝叶斯方法可以在不进行蒙特卡洛重量的情况下这样做。在这里，我们在通过动物自然栖息地中通过被动声学监测设备进行的录音应用了无样品的野生动植物呼叫检测。我们进一步提出了不确定性吸引标签的平滑性，其中平滑概率取决于无样品的预测不确定性，以减少对损失值较少贡献的数据。我们介绍了一个记录在马来西亚婆罗洲的生物声学数据集，其中包含来自30种物种的重叠呼叫。在该数据集上，我们提出的方法在接收器操作特征（Au-Roc）下的面积约为1.5分，F1的13点和预期校准误差（ECE）的溶质百分比提高了约1.5点，与所有目标类别相比，预期校准误差（ECE）的位置为19.5点。