文章图片

图 6a 展示了 SDE-BNN 的性能 ， 图 6b 显示具有相似准确率但比神经 ODE 校准更好的结果 。

文章图片

表 1 用预期校准误差量化了模型的校准 。 SDE-BNN 似乎比神经 ODE 和平均场 ResNet 基线能更好地校准 。

文章图片

下图 7 显示了损坏测试集上相对于未损坏数据的误差 ， 表明随着扰动严重性级别的增加以及表 1 中总结的总体误差度量 ， mCE 稳步增加 。 在 CIFAR10 和 CIFAR10-C 上 ， SDE-BNN 和 SDE -BNN + STL 模型实现了比基线更低的整体测试误差和更好的校准 。

文章图片

与标准基线（ResNet32 和 MF ResNet32）相比 ， SDE-BNN 的绝对损坏误差（CE）降低了约 4.4% 。 域外输入的学习不确定性的有效性表明 ， 尽管没有在多种形式的损坏上进行训练 ， 但 SDE-BNN 对观测扰动也更加稳健 。