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。
深層学習における最近の進歩は,可逆的ステガノグラフィの分野におけるパラダイムシフトをもたらした。可逆ステガノグラフィの基本ピラーは,深いニューラルネットワークを介して実現できる予測モデリングである。しかし,非自明な誤差が,いくつかの分布外と雑音の多いデータについての推論に存在する。この課題を考慮して,Bayes深層学習の理論的フレームワークに基づく予測モデルの不確実性を考察し,それによって適応ステガノグラフィシステムを作成した。ほとんどの最新の深層学習モデルは,不確実性測定の提供に失敗しながら予測を提供するので,決定論的と見なされる。Bayesニューラルネットワークは,深い学習に確率的展望をもたらし,自己意識知的機械と見なすことができる。すなわち,それ自身の限界を知っている機械である。不確実性を定量化するため,Bayes統計を適用して予測分布をモデル化し,確率的フォワードパスによるモンテカルロサンプリングにより近似した。さらに,予測の不確実性は,アリータリックとエピステリックの不確実性に解き,これらの量は教師なしに学習できることを示した。実験結果は,ステガノグラフィレート歪性能に関するBayes不確実性解析による改良を示した。【JST・京大機械翻訳】