証拠的深層学習による修正Bayesモデル比較【JST・京大機械翻訳】

Radev Stefan T.; D'Alessandro Marco; Mertens Ulf K.; Voss Andreas; Kothe Ullrich; Buerkner Paul-Christian

プレプリント

J-GLOBAL ID：202202220292071242 整理番号：21P0029842

証拠的深層学習による修正Bayesモデル比較【JST・京大機械翻訳】

Amortized Bayesian model comparison with evidential deep learning

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 (6件)： , , , , ,
資料名：
発行年： 2020年04月22日プレプリントサーバーでの情報更新日： 2021年03月02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)

複雑な自然プロセスの競合数学モデルの比較は,科学の多くの分岐間の共有目標である。Bayes確率フレームワークはモデル比較を行うための原理的方法を提供し,決定を導くための有用な計量を抽出する。しかし,多くの興味深いモデルは,閉形式尤度関数が欠如しているので,標準Bayes手法では扱いにくい,あるいは尤度は計算に高価である。本研究では,特殊化した深層学習アーキテクチャを用いたBayesモデル比較を行うための新しい方法を提案した。提案手法は,純粋にシミュレーションベースであり,各観測データセットを考慮して,すべての代替モデルを明示的にフィッティングするステップを回避する。さらに,それはデータの手作業要約統計量を必要とせず,多重モデルと観測可能なデータセットに対するシミュレーションのコストを不死化するように設計されている。これは,モデル適合が多数のデータセットに対して評価する必要があるシナリオにおいて特に有効であるので,データセット推論は実際に実行不可能であった。最後に,著者らは,モデル比較問題における認識的不確実性を測定する新しい方法を提案した。認知科学と単一細胞神経科学からの非自明なモデルから,y具例とシミュレーションデータに対する著者らの方法の有用性を実証した。提案手法は,本研究で考察した例を通して,精度,キャリブレーションおよび効率に関して優れた結果を達成することを示した。このフレームワークは,自然プロセスの計算モデルを扱う多くの分野におけるモデルベース解析と推論を強化,強化できると主張する。さらに,エピステリック不確実性の提案測度は,真のデータ生成モデルが候補モデルの有限集合内にあると仮定するフレームワークにおいても,絶対証拠を定量化するユニークなプロキシを提供すると主張した。【JST・京大機械翻訳】

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

人工知能 , 数値計算 , システム・制御理論一般

, ,

前のページに戻る