Fugu-MT 論文翻訳(概要): Deep Ensembles from a Bayesian Perspective

論文の概要: Deep Ensembles from a Bayesian Perspective

arxiv url: http://arxiv.org/abs/2105.13283v1
Date: Thu, 27 May 2021 16:30:52 GMT
ステータス: 処理完了
システム内更新日: 2021-05-28 20:30:31.240502
Title: Deep Ensembles from a Bayesian Perspective
Title（参考訳）: ベイズの視点からの深層アンサンブル
Authors: Lara Hoffmann and Clemens Elster
Abstract要約: 深いアンサンブルは対応する仮定を指定して近似ベイズ法とみなすことができることを示す。数値的な例は、改良された近似がより信頼性の高い不確実性をもたらすことを示唆している。
参考スコア（独自算出の注目度）: 0.7310043452300736
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep ensembles can be seen as the current state-of-the-art for uncertainty quantification in deep learning. While the approach was originally proposed as an non-Bayesian technique, arguments towards its Bayesian footing have been put forward as well. We show that deep ensembles can be viewed as an approximate Bayesian method by specifying the corresponding assumptions. Our finding leads to an improved approximation which results in an increased epistemic part of the uncertainty. Numerical examples suggest that the improved approximation can lead to more reliable uncertainties. Analytical derivations ensure easy calculation of results.
Abstract（参考訳）: 深層アンサンブルは、ディープラーニングにおける不確実性定量化の現在の最先端と見なすことができる。この手法はもともと非ベイズ的手法として提案されたが、ベイズ的足場に対する議論も進められている。深いアンサンブルは対応する仮定を指定して近似ベイズ法とみなすことができることを示す。我々の発見は、不確実性のエピステマティクス部分の増大をもたらす近似の改善につながる。数値的な例は、改良された近似がより信頼できる不確実性をもたらすことを示唆している。解析的導出により結果の計算が容易になる。

関連論文リスト

Bayesian meta learning for trustworthy uncertainty quantification [3.683202928838613]
ベイズメタ学習のための新しい最適化フレームワークであるTrust-Bayesを提案する。所定間隔で捕捉される基底真理の確率の低い境界を特徴付ける。我々は、信頼に値する不確実性定量化の可能な確率について、サンプルの複雑さを解析する。
論文参考訳（メタデータ） (2024-07-27T15:56:12Z)
Conformalized-DeepONet: A Distribution-Free Framework for Uncertainty Quantification in Deep Operator Networks [7.119066725173193]
我々は,DeepONet(DeepONet)レグレッションのカバレッジを保証するため,コンフォメーション予測を用いて信頼性予測間隔を求める。我々は分割共形予測をより自然に利用できる新しいQuantile-DeepONetを設計する。種々の常微分方程式の数値例を用いて提案手法の有効性を実証する。
論文参考訳（メタデータ） (2024-02-23T16:07:39Z)
One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文参考訳（メタデータ） (2023-12-16T14:59:11Z)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
A Mean Field Approach to Empirical Bayes Estimation in High-dimensional Linear Regression [8.345523969593492]
高次元線形回帰における経験的ベイズ推定について検討する。もともとCarbonetto and Stephens (2012) と Kim et al. (2022) で導入された変分経験ベイズアプローチを採用する。これは、空間性のない高次元回帰設定において、最初の厳密な経験的ベイズ法を提供する。
論文参考訳（メタデータ） (2023-09-28T20:51:40Z)
Model-Based Uncertainty in Value Functions [89.31922008981735]
MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
論文参考訳（メタデータ） (2023-02-24T09:18:27Z)
Deep Ensemble as a Gaussian Process Approximate Posterior [32.617549688656354]
Deep Ensemble (DE)は、ディープラーニングにおける不確実性定量化のためのベイズニューラルネットワークの効果的な代替手段である。本稿では,機能的不整合を明示的に特徴付け,トレーニングデータと特定の事前信条を調整したDEの改良を提案する。提案手法では,標準のDEよりもわずかにトレーニングコストを削減できるが,様々なシナリオにまたがるDEとその変種よりも不確実性の定量化を実現している。
論文参考訳（メタデータ） (2022-04-30T05:25:44Z)
Residual Overfit Method of Exploration [78.07532520582313]
提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
論文参考訳（メタデータ） (2021-10-06T17:05:33Z)
Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文参考訳（メタデータ） (2020-05-21T16:08:38Z)
Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文参考訳（メタデータ） (2020-02-20T15:13:27Z)
A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification [0.4588028371034407]
不確実性は、不条件の逆問題を扱う際に必須である。未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
論文参考訳（メタデータ） (2020-01-13T23:46:18Z)

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。