論文の概要: BayCANN: Streamlining Bayesian Calibration with Artificial Neural Network Metamodeling

• arxiv url: http://arxiv.org/abs/2010.13452v1
• Date: Mon, 26 Oct 2020 09:47:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 19:58:29.820168
• Title: BayCANN: Streamlining Bayesian Calibration with Artificial Neural Network Metamodeling
• Title（参考訳）: BayCANN: ニューラルネットワークのメタモデリングによるベイズ校正の合理化
• Authors: Hawre Jalal and Fernando Alarid-Escudero
• Abstract要約: 本稿では,ベイズ校正の限界に対する一解法として,人工知能ニューラルネットワーク(ANN)を提案する。 大腸癌の自然史モデルを腺腫発生率と癌発生率データに校正することにより,BayCANNを実証した。 BayCANNは一般に「真の」値の回復においてIMISよりも正確であった。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Bayesian calibration is theoretically superior to standard direct-search algorithm because it can reveal the full joint posterior distribution of the calibrated parameters. However, to date, Bayesian calibration has not been used often in health decision sciences due to practical and computational burdens. In this paper we propose to use artificial neural networks (ANN) as one solution to these limitations. Methods: Bayesian Calibration using Artificial Neural Networks (BayCANN) involves (1) training an ANN metamodel on a sample of model inputs and outputs, and (2) then calibrating the trained ANN metamodel instead of the full model in a probabilistic programming language to obtain the posterior joint distribution of the calibrated parameters. We demonstrate BayCANN by calibrating a natural history model of colorectal cancer to adenoma prevalence and cancer incidence data. In addition, we compare the efficiency and accuracy of BayCANN against performing a Bayesian calibration directly on the simulation model using an incremental mixture importance sampling (IMIS) algorithm. Results: BayCANN was generally more accurate than IMIS in recovering the "true" parameter values. The ratio of the absolute ANN deviation from the truth compared to IMIS for eight out of the nine calibrated parameters were less than one indicating that BayCANN was more accurate than IMIS. In addition, BayCANN took about 15 minutes total compared to the IMIS method which took 80 minutes. Conclusions: In our case study, BayCANN was more accurate than IMIS and was five-folds faster. Because BayCANN does not depend on the structure of the simulation model, it can be adapted to models of various levels of complexity with minor changes to its structure. We provide BayCANN's open-source implementation in R.
• Abstract（参考訳）: 目的: ベイジアンキャリブレーションは, キャリブレーションパラメータの完全後部分布を明らかにすることができるため, 標準直接探索アルゴリズムよりも理論的に優れている。 しかし、ベイズ校正は実用的および計算的負担のため、健康判断科学においてはあまり使われていない。 本稿では,これらの制約に対する1つの解決策として,ニューラルネットワーク(ANN)を提案する。 方法: ニューラルネットワーク(BayCANN)を用いたベイズ校正では,(1)モデル入力と出力のサンプルに基づいてANNメタモデルをトレーニングし,(2)確率的プログラミング言語の完全モデルの代わりにトレーニングされたANNメタモデルを校正して,校正されたパラメータの後方の関節分布を求める。 大腸癌の自然史モデルを腺腫発生率と癌発生率データに校正することにより,BayCANNを実証した。 さらに,ベイカナンの効率と精度を,インクリメンタル・ミックス・プライオリティ・サンプリング(IMIS)アルゴリズムを用いて,シミュレーションモデル上でベイズ校正を行う場合と比較した。 結果: BayCANN は "true" パラメータ値の回復において IMIS よりも一般的に正確であった。 9つのパラメータのうち8つのパラメータのうち8つはIMISに比べて絶対的なANN偏差の比率が低く、ベイカNNがIMISよりも正確であることを示している。 さらに、BayCANNは80分を要したIMIS法と比較して、合計で約15分かかった。 結論: このケーススタディでは, BayCANNはIMISよりも正確で, 5倍高速であった。 baycannはシミュレーションモデルの構造に依存しないため、その構造に小さな変更を加えることで、様々なレベルの複雑さのモデルに適応することができる。 我々は,BayCANNのオープンソース実装をRで提供する。

関連論文リスト

• Neural Networks with (Low-Precision) Polynomial Approximations: New Insights and Techniques for Accuracy Improvement [13.406378419824003]
  非ポリノミカル関数を近似に置き換えることは、プライバシ保護機械学習の標準的なプラクティスである。 ニューラルネットワーク(PANN)の近似と呼ばれる結果のニューラルネットワークは、高度な暗号システムと互換性がある。 PANNにおける近似誤差の効果について説明する。 PANNの推測精度を向上させるための手法を提案する。
  論文  参考訳（メタデータ） (2024-02-17T08:54:25Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• On the Calibration of Pre-trained Language Models using Mixup Guided by Area Under the Margin and Saliency [47.90235939359225]
  モデルキャリブレーションをさらに改善する事前学習型言語モデルのための新しい混合戦略を提案する。 本手法は,ドメイン内およびドメイン外テストサンプルの強いベースラインと比較して,最小のキャリブレーション誤差を実現する。
  論文  参考訳（メタデータ） (2022-03-14T23:45:08Z)
• Model Architecture Adaption for Bayesian Neural Networks [9.978961706999833]
  我々はBNNを精度と不確実性の両方に最適化する新しいネットワークアーキテクチャサーチ(NAS)を示す。 我々の実験では,探索されたモデルでは,最先端(ディープアンサンブル)と比較して,不確実性と精度が比較できる。
  論文  参考訳（メタデータ） (2022-02-09T10:58:50Z)
• Learning to Learn to Demodulate with Uncertainty Quantification via Bayesian Meta-Learning [59.014197664747165]
  本稿では, よく校正された数パイロット復調器の取得を目的とした変分推論によるベイズ的メタラーニングについて紹介する。 その結果得られたベイズアンサンブルは、復調のためにニューラルネットワークの複数のインスタンスを実行する計算コストにおいて、より良い校正されたソフトな決定を提供する。
  論文  参考訳（メタデータ） (2021-08-02T11:07:46Z)
• A Free Lunch From ANN: Towards Efficient, Accurate Spiking Neural Networks Calibration [11.014383784032084]
  スパイキングニューラルネットワーク(SNN)は、次世代のニューラルネットワークの1つとして認識されている。 ANNからSNNへの変換においてパラメータの校正を行う適切な方法は、大幅な改善をもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2021-06-13T13:20:12Z)
• The Right Tool for the Job: Matching Model and Instance Complexities [62.95183777679024]
  NLPモデルが大きくなればなるほど、訓練されたモデルを実行するには、金銭的・環境的なコストを発生させる重要な計算資源が必要である。 我々は、推論中、早期(かつ高速)の"exit"を可能にする文脈表現微調整の修正を提案する。 3つのテキスト分類データセットと2つの自然言語推論ベンチマークの2つのタスクで、5つの異なるデータセットに対して提案した修正を検証した。
  論文  参考訳（メタデータ） (2020-04-16T04:28:08Z)
• On Calibration of Mixup Training for Deep Neural Networks [1.6242924916178283]
  我々は、Mixupが必ずしも校正を改善していないという実証的な証拠を論じ、提示する。 我々の損失はベイズ決定理論にインスパイアされ、確率的モデリングの損失を設計するための新しいトレーニングフレームワークが導入された。 キャリブレーション性能を一貫した改善を施した最先端の精度を提供する。
  論文  参考訳（メタデータ） (2020-03-22T16:54:31Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。