Fugu-MT 論文翻訳(概要): Hands-on Bayesian Neural Networks -- a Tutorial for Deep Learning Users

論文の概要: Hands-on Bayesian Neural Networks -- a Tutorial for Deep Learning Users

arxiv url: http://arxiv.org/abs/2007.06823v3
Date: Mon, 3 Jan 2022 08:37:30 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 13:50:13.914009
Title: Hands-on Bayesian Neural Networks -- a Tutorial for Deep Learning Users
Title（参考訳）: Hands-on Bayesian Neural Networks - ディープラーニングユーザのためのチュートリアル
Authors: Laurent Valentin Jospin and Wray Buntine and Farid Boussaid and Hamid Laga and Mohammed Bennamoun
Abstract要約: ベイズ統計は、ディープニューラルネットワーク予測に関連する不確実性を理解し、定量化するフォーマリズムを提供する。このチュートリアルでは、関連する文献の概要と、ベイズニューラルネットワークの設計、実装、使用、評価のための完全なツールセットを提供する。
参考スコア（独自算出の注目度）: 27.764388500937983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern deep learning methods constitute incredibly powerful tools to tackle a myriad of challenging problems. However, since deep learning methods operate as black boxes, the uncertainty associated with their predictions is often challenging to quantify. Bayesian statistics offer a formalism to understand and quantify the uncertainty associated with deep neural network predictions. This tutorial provides an overview of the relevant literature and a complete toolset to design, implement, train, use and evaluate Bayesian Neural Networks, i.e. Stochastic Artificial Neural Networks trained using Bayesian methods.
Abstract（参考訳）: 現代のディープラーニングの手法は、無数の課題に取り組むための非常に強力なツールです。しかし、深層学習法はブラックボックスとして機能するため、予測に関連する不確実性はしばしば定量化が難しい。ベイズ統計は、ディープニューラルネットワーク予測に関連する不確実性を理解し、定量化するフォーマリズムを提供する。本チュートリアルでは,関連する文献の概要とベイズ型ニューラルネットワークの設計,実装,使用,評価のための完全なツールセット,すなわちベイズ型手法を用いて訓練された確率的ニューラルネットワークについて述べる。

関連論文リスト

Generalized Uncertainty of Deep Neural Networks: Taxonomy and Applications [1.9671123873378717]
ディープニューラルネットワークの不確実性は、解釈可能性と透明性の感覚において重要であるだけでなく、パフォーマンスをさらに向上するためにも重要であることを示す。我々は、ディープニューラルネットワークの不確実性の定義を、入力またはインプットラベルペアに関連する任意の数またはベクトルに一般化し、そのような不確かさをディープモデルから「マイニングに関する既存の方法」をカタログ化する。
論文参考訳（メタデータ） (2023-02-02T22:02:33Z)
Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文参考訳（メタデータ） (2022-11-29T13:32:38Z)
Bayesian Learning for Neural Networks: an algorithmic survey [95.42181254494287]
この自己完結型調査は、ベイズ学習ニューラルネットワークの原理とアルゴリズムを読者に紹介する。アクセシブルで実践的な視点からこのトピックを紹介します。
論文参考訳（メタデータ） (2022-11-21T21:36:58Z)
Uncertainty Quantification and Resource-Demanding Computer Vision Applications of Deep Learning [5.130440339897478]
ディープニューラルネットワーク(DNN)を安全クリティカルなアプリケーションに導入するには、モデルの不確実性を徹底的に扱う必要がある。本稿では、新しいオブジェクトクラスに遭遇したとき、DNNに不確実性を示す方法について調査する。また、不確実性定量化の助けを借りて、少数のラベルから学習する訓練方法を提案する。
論文参考訳（メタデータ） (2022-05-30T08:31:03Z)
An Overview of Uncertainty Quantification Methods for Infinite Neural Networks [0.0]
無限幅ニューラルネットワークにおける不確実性を定量化する手法について検討する。我々は、予測の不確実性に対する厳密な閉形式解を得るために、いくつかの等価結果を利用する。
論文参考訳（メタデータ） (2022-01-13T00:03:22Z)
Provable Regret Bounds for Deep Online Learning and Control [77.77295247296041]
我々は、損失関数がニューラルネットワークのパラメータを最適化するために適応できることを示し、後から最も優れたネットと競合することを示す。オンライン設定におけるこれらの結果の適用として、オンライン制御コントローラの証明可能なバウンダリを得る。
論文参考訳（メタデータ） (2021-10-15T02:13:48Z)
Building Compact and Robust Deep Neural Networks with Toeplitz Matrices [93.05076144491146]
この論文は、コンパクトで、訓練が容易で、信頼性があり、敵の例に対して堅牢なニューラルネットワークを訓練する問題に焦点を当てている。 Toeplitzファミリーの構造化行列の特性を利用して、コンパクトでセキュアなニューラルネットワークを構築する。
論文参考訳（メタデータ） (2021-09-02T13:58:12Z)
A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文参考訳（メタデータ） (2021-04-29T14:31:09Z)
An SMT-Based Approach for Verifying Binarized Neural Networks [1.4394939014120451]
本稿では,SMTを用いた二元化ニューラルネットワークの検証手法を提案する。我々の手法の1つの新しい点は、二項化コンポーネントと非二項化コンポーネントの両方を含むニューラルネットワークの検証を可能にすることである。我々は、この手法をマラブーフレームワークの拡張として実装し、一般的な二項化ニューラルネットワークアーキテクチャのアプローチを評価する。
論文参考訳（メタデータ） (2020-11-05T16:21:26Z)
Bayesian Neural Networks [0.0]
ニューラルネットワークによる予測におけるエラーを原理的に得る方法を示し、これらのエラーを特徴付ける2つの方法を提案する。さらに、これらの2つのメソッドが実際に実施される際に、重大な落とし穴を持つ方法についても説明します。
論文参考訳（メタデータ） (2020-06-02T09:43:00Z)
Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文参考訳（メタデータ） (2020-03-31T16:47:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。