Hugging Face's logo

Spaces:
jordyvl
/
ask_my_thesis
Paused

App Files Community
2
ask_my_thesis
File size: 2,706 Bytes 
e0a78f5
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
 
xiv

CONTENTS

2.3

2.4

I

2.2.4 Calibration . . . . . . . . . . . . . . . .
2.2.5 Predictive Uncertainty Quantification .
2.2.6 Failure Prediction . . . . . . . . . . . .
Document Understanding . . . . . . . . . . . .
2.3.1 Task Definitions . . . . . . . . . . . . .
2.3.2 Datasets . . . . . . . . . . . . . . . . . .
2.3.3 Models . . . . . . . . . . . . . . . . . .
2.3.4 Challenges in Document Understanding
2.3.4.1 Long-Context Modeling . . . .
2.3.4.2 Document Structure Modeling
Intelligent Automation . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

Reliable and Robust Deep Learning

3 Benchmarking Scalable Predictive Uncertainty in Text Classification
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Uncertainty Methods . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1 Quantifying Uncertainty in Deep Learning . . . . . . . .
3.3.2 Predictive Uncertainty Methods . . . . . . . . . . . . .
3.3.2.1 Monte Carlo Dropout . . . . . . . . . . . . . .
3.3.2.2 Deep Ensemble . . . . . . . . . . . . . . . . . .
3.3.2.3 Concrete Dropout . . . . . . . . . . . . . . . .
3.3.2.4 Heteroscedastic Extensions . . . . . . . . . . .
3.3.3 Uncertainty Estimation . . . . . . . . . . . . . . . . . .
3.3.4 Motivating Hybrid Approaches . . . . . . . . . . . . . .
3.3.5 Uncertainty Calibration under Distribution Shift . . . .
3.4 Experimental Methodology . . . . . . . . . . . . . . . . . . . .
3.4.1 Proposed Hybrid Approaches . . . . . . . . . . . . . . .
3.4.2 Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.3 Architecture . . . . . . . . . . . . . . . . . . . . . . . .
3.4.4 Evaluation metrics . . . . . . . . . . . . . . . . . . . . .
3.4.5 Experimental design . . . . . . . . . . . . . . . . . . . .
3.4.5.1 In-domain Setting . . . . . . . . . . . . . . . .
3.4.5.2 Cross-domain Setting . . . . . . . . . . . . . .
3.4.5.3 Novelty Detection Setting . . . . . . . . . . . .
3.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1 Experiment: In-domain . . . . . . . . . . . . . . . . . .
3.5.2 Experiment: Cross-domain . . . . . . . . . . . . . . . .
3.5.3 Experiment: Novelty Detection . . . . . . . . . . . . . .
3.5.4 Experiment: Ablations . . . . . . . . . . . . . . . . . . .
3.5.4.1 Diversity . . . . . . . . . . . . . . . . . . . . .

28
30
32
33
35
36
37
38
39
40
41

43
44
46
48
51
51
52
53
53
54
54
55
58
59
61
61
63
64
66
66
67
67
68
69
70
71
73
75
76