Bayes分類における不確実性,テンパリングおよびデータ増強について【JST・京大機械翻訳】

Kapoor Sanyam; Maddox Wesley J.; Izmailov Pavel; Wilson Andrew Gordon

プレプリント

J-GLOBAL ID：202202200653919933 整理番号：22P0322702

Bayes分類における不確実性,テンパリングおよびデータ増強について【JST・京大機械翻訳】

On Uncertainty, Tempering, and Data Augmentation in Bayesian Classification

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月30日プレプリントサーバーでの情報更新日： 2022年03月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

パラメータの不確実性は,測定ノイズのようなデータの固有のランダム性を捕捉する。Bayes回帰において,Gauss観測モデルを使用し,ここでは,雑音分散パラメータによるアリーレータ不確実性のレベルを制御する。対照的に,Bayes分類のためには,アリーレータの不確実性に関する著者らの信念を表現するために,メカニズムのないカテゴリー分布を使用した。本研究は,明示的な不確実性の明示的説明がBayesニューラルネットワークの性能を著しく改善することを示した。CIFARのような多くの標準ベンチマークは,本質的にはアリーレータの不確実性を持たないことに注目した。さらに,近似推論におけるデータ増強は,尤度を軟化させる効果を持ち,非信 and性をもたらし,そして,アリータリック不確実性に関する著者らの正直な信念を,大いに誤表示する。従って,著者らは,1より大きい電力によって焼戻し,低温後部が,しばしば,データ増強と寒冷後部の間の明示的なリンクを提供する,焼戻しなしよりも,アリータリック不確実性についての著者らの信念を,より正当に反映することを発見した。著者らは,焼戻しの必要なしに,アリーレータ不確実性のレベルを明確に制御するDirichlet観測モデルを用いて,事後焼戻しの性能に整合または超えることができることを示した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る