抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深い学習は,安全クリティカルドメインでますます適用されている。これらのシナリオでは,適切な決定がシステムによってなされるため,モデル予測における不確実性のレベルを知ることが重要である。深いアンサンブルは,不確実性の様々な対策を得るためのデファクト標準アプローチである。しかし,アンサンブルは訓練および/または展開段階で必要な資源を著しく増加させる。これらの相の一つでコストを典型的に扱うアプローチを開発した。本研究では,不確実性を推定することができる単一モデルを効率的に訓練できる新しい訓練アプローチ,自己分布蒸留(S2D)を提案した。さらに,これらのモデルのアンサンブルを構築し,階層的アンサンブル蒸留アプローチを適用することが可能である。CIFAR-100に関する実験は,S2Dモデルが標準モデルとモンテカルロドロップアウトを凌駕することを示した。LSUN,Tiny ImageNet,SVHNの付加的外分布検出実験は,標準深層アンサンブルがS2Dベースアンサンブルと新しい蒸留モデルを使用することで性能が優れていることを示した。【JST・京大機械翻訳】