Gauss過程近似後部としての深いアンサンブル【JST・京大機械翻訳】

Deng Zhijie; Zhou Feng; Chen Jianfei; Wu Guoqiang; Zhu Jun

プレプリント

J-GLOBAL ID：202202202034112890 整理番号：22P0341352

Gauss過程近似後部としての深いアンサンブル【JST・京大機械翻訳】

Deep Ensemble as a Gaussian Process Approximate Posterior

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 (5件)： , , , ,
資料名：
発行年： 2022年04月30日プレプリントサーバーでの情報更新日： 2022年04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)

深層アンサンブル(DE)は,深層学習における不確実性定量化のためのBayesニューラルネットワークの有効な代替である。DEの不確実性は,通常,アンサンブルメンバー間の機能的不整合,すなわち,それらの予測間の不一致によって伝えられる。しかし,機能的不整合は,非管理性ランダム性から生じ,特定の場合で容易に崩壊する。DE信頼性の不確実性をレンダリングするために,機能的不整合が明示的に特性化され,さらに,訓練データと特定の先験的信念が調整されるDEの精密化を提案した。特に,平均と共に,Gauss過程(GP)を定義するアンサンブルメンバーにより決定される関数の経験的共分散との機能的不整合について述べた。次に,特定の先験的不確実性を課せて,著者らは,DEによって指定したGPをBayes後部に近似するのに下限を下界する機能的証拠を最大化した。この方法で,DEをBayes推論に関連付け,信頼できるBayes不確実性を楽しむ。さらに,訓練を効率的に行う戦略を提供した。提案アプローチは標準DEよりもわずかに付加した訓練コストのみを消費したが,多様なシナリオにわたってDEやその変異体よりも良好な不確実性定量化を達成した。【JST・京大機械翻訳】

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

天気予報 , 人工知能

, , ,

前のページに戻る