論文の概要: Efficient Variational Inference for Sparse Deep Learning with
Theoretical Guarantee
- arxiv url: http://arxiv.org/abs/2011.07439v1
- Date: Sun, 15 Nov 2020 03:27:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:03:21.757554
- Title: Efficient Variational Inference for Sparse Deep Learning with
Theoretical Guarantee
- Title（参考訳）: 理論的保証によるスパース深層学習の効率的な変分推論
- Authors: Jincheng Bai, Qifan Song, Guang Cheng
- Abstract要約: スパースディープラーニングは、ディープニューラルネットワークによる巨大なストレージ消費の課題に対処することを目的としている。
本稿では,スパイク・アンド・スラブ前処理による完全ベイズ処理により,疎いディープニューラルネットワークを訓練する。
我々はベルヌーイ分布の連続緩和による計算効率の良い変分推論のセットを開発する。
- 参考スコア（独自算出の注目度）: 20.294908538266867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sparse deep learning aims to address the challenge of huge storage
consumption by deep neural networks, and to recover the sparse structure of
target functions. Although tremendous empirical successes have been achieved,
most sparse deep learning algorithms are lacking of theoretical support. On the
other hand, another line of works have proposed theoretical frameworks that are
computationally infeasible. In this paper, we train sparse deep neural networks
with a fully Bayesian treatment under spike-and-slab priors, and develop a set
of computationally efficient variational inferences via continuous relaxation
of Bernoulli distribution. The variational posterior contraction rate is
provided, which justifies the consistency of the proposed variational Bayes
method. Notably, our empirical results demonstrate that this variational
procedure provides uncertainty quantification in terms of Bayesian predictive
distribution and is also capable to accomplish consistent variable selection by
training a sparse multi-layer neural network.
- Abstract（参考訳）: スパースディープラーニングは、ディープニューラルネットワークによる巨大なストレージ消費の課題に対処し、ターゲット関数のスパース構造を回復することを目的としている。
膨大な経験的成功をおさめてきたが、殆どのディープラーニングアルゴリズムには理論的なサポートが欠けている。
一方、別の一連の研究は、計算不可能な理論的枠組みを提案している。
本稿では,スパイク・アンド・スラブ前処理による疎いディープニューラルネットワークの訓練を行い,ベルヌーイ分布の連続緩和による計算効率の良い変分推論のセットを開発する。
提案した変分ベイズ法の整合性を正当化する変動後収縮速度が提供される。
特に,本手法はベイズ予測分布の観点から不確かさを定量化し,分散多層ニューラルネットワークを訓練することで一貫した変数選択を実現することができることを示した。
関連論文リスト
- Implicit Generative Prior for Bayesian Neural Networks [8.013264410621357]
複雑なデータ構造のための新しいニューラルネットワーク型経験ベイズ(NA-EB)フレームワークを提案する。
NA-EBフレームワークは変分推論と勾配上昇アルゴリズムを組み合わせたものである。
各種タスクの広範囲な評価を通じて,本フレームワークの実践的応用を実証する。
論文 参考訳（メタデータ） (2024-04-27T21:00:38Z) - Continual Learning via Sequential Function-Space Variational Inference [65.96686740015902]
連続学習を逐次関数空間変動推論として定式化した目的を提案する。
ニューラルネットワークの予測を直接正規化する目的と比較して、提案した目的はより柔軟な変動分布を可能にする。
タスクシーケンスの範囲で、逐次関数空間変動推論によってトレーニングされたニューラルネットワークは、関連する手法でトレーニングされたネットワークよりも予測精度が良いことを実証した。
論文 参考訳（メタデータ） (2023-12-28T18:44:32Z) - Tractable Function-Space Variational Inference in Bayesian Neural
Networks [72.97620734290139]
ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。
本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。
提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
論文 参考訳（メタデータ） (2023-12-28T18:33:26Z) - Implicit Variational Inference for High-Dimensional Posteriors [7.924706533725115]
変分推論において、ベイズモデルの利点は、真の後続分布を正確に捉えることに依存する。
複雑な多重モーダルおよび相関後部を近似するのに適した暗黙分布を特定するニューラルサンプリング手法を提案する。
提案手法では,ニューラルネットワークを局所的に線形化することにより,暗黙分布を用いた近似推論の新たなバウンダリを導入する。
論文 参考訳（メタデータ） (2023-10-10T14:06:56Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Improved uncertainty quantification for neural networks with Bayesian
last layer [0.0]
不確実性定量化は機械学習において重要な課題である。
本稿では,BLL を用いた NN の対数乗算可能性の再構成を行い,バックプロパゲーションを用いた効率的なトレーニングを実現する。
論文 参考訳（メタデータ） (2023-02-21T20:23:56Z) - Variational Bayes Deep Operator Network: A data-driven Bayesian solver
for parametric differential equations [0.0]
演算子学習のための変分ベイズDeepONet(VB-DeepONet)を提案する。
VB-DeepONetは、高次元後部分布を考慮した変分推論を用いる。
論文 参考訳（メタデータ） (2022-06-12T04:20:11Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Multivariate Deep Evidential Regression [77.34726150561087]
不確実性を認識するニューラルネットワークによる新しいアプローチは、従来の決定論的手法よりも有望である。
本稿では,レグレッションベースニューラルネットワークからアレータ性およびてんかん性不確かさを抽出する手法を提案する。
論文 参考訳（メタデータ） (2021-04-13T12:20:18Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - Scalable Bayesian neural networks by layer-wise input augmentation [20.279668821097918]
ディープラーニングにおける不確実性表現のためのシンプルでスケーラブルなアプローチである暗黙のベイズニューラルネットワークを導入する。
大規模・マルチミリオンパラメータ画像分類タスクにおけるキャリブレーション,ロバスト性,不確実性特性の両面から,適切な入力分布を示し,最先端性能を示す。
論文 参考訳（メタデータ） (2020-10-26T11:45:19Z)
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。