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。
アンサンブルニューラルネットワークは,精度を上げるための効果的方法であり,しばしば個々のより大きなモデルの性能に整合する。この観測は,深いアンサンブルと類似の精度を有する単一ニューラルネットワークの間の選択が,他のものより好ましいという自然な疑問を提起する。最近の研究では,深いアンサンブルが予測力を超える明確な利点を提供する可能性がある:即ち,データセットシフトに対する不確実性定量化とロバスト性である。本研究では,これらの重要な利益に対する限界を実証し,単一(しかし大きな)ニューラルネットワークがこれらの品質を複製できることを示した。最初に,任意の計量によるアンサンブル多様性は,分布外(OOD)データに関するアンサンブルの不確実性定量化に意味的に寄与するが,代わりに単一大モデルの相対的改善と高度に相関することを示した。第2に,アンサンブルによって与えられるOOD性能が,それらの分布(InD)性能によって強く決定され,この意味において,どんな「有効なロバスト性」を表示しないことを示した。深いアンサンブルは,予測力,不確実性定量化,およびロバスト性の改善を達成する実用的方法であるが,これらの結果は,これらの改善が(より大きい)単一モデルによって再現できることを示した。【JST・京大機械翻訳】