論文の概要: Incorporating Unlabelled Data into Bayesian Neural Networks
- arxiv url: http://arxiv.org/abs/2304.01762v1
- Date: Tue, 4 Apr 2023 12:51:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 13:59:44.386302
- Title: Incorporating Unlabelled Data into Bayesian Neural Networks
- Title(参考訳): 非ラベルデータをベイズニューラルネットワークに組み込む
- Authors: Mrinank Sharma, Tom Rainforth, Yee Whye Teh, Vincent Fortuin
- Abstract要約: ベイジアンニューラルネットワーク(BNN)の事前分布を学習するための,非競合データを用いたコントラストフレームワークを開発した。
本稿では,自己教師付き学習のラベル効率とベイズ手法の原理的不確実性評価を提供する実用的BNNアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 60.51580870352031
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a contrastive framework for learning better prior distributions
for Bayesian Neural Networks (BNNs) using unlabelled data. With this framework,
we propose a practical BNN algorithm that offers the label-efficiency of
self-supervised learning and the principled uncertainty estimates of Bayesian
methods. Finally, we demonstrate the advantages of our approach for
data-efficient learning in semi-supervised and low-budget active learning
problems.
- Abstract(参考訳): 非ラベルデータを用いてベイズニューラルネットワーク(bnns)の事前分布をより良く学習するための対比フレームワークを開発した。
本稿では,自己教師付き学習のラベル効率とベイズ手法の原理的不確実性評価を提供する実用的BNNアルゴリズムを提案する。
最後に, 半教師付き・低予算の能動学習問題におけるデータ効率学習の利点を示す。
関連論文リスト
- Bayesian Neural Networks with Domain Knowledge Priors [52.80929437592308]
ドメイン知識の一般的な形式をBNNに組み込むためのフレームワークを提案する。
提案したドメイン知識を用いたBNNは,標準知識のBNNよりも優れていることを示す。
論文 参考訳(メタデータ) (2024-02-20T22:34:53Z) - Leveraging Unlabeled Data for 3D Medical Image Segmentation through
Self-Supervised Contrastive Learning [3.7395287262521717]
現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。
両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。
我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
論文 参考訳(メタデータ) (2023-11-21T14:03:16Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - Posterior Regularized Bayesian Neural Network Incorporating Soft and
Hard Knowledge Constraints [12.050265348673078]
本稿では,異なる種類の知識制約を組み込んだ後正規化ベイズニューラルネットワーク(PR-BNN)モデルを提案する。
航空機着陸予測と太陽エネルギー出力予測のシミュレーション実験と2つのケーススタディにより,提案モデルの知識制約と性能改善が示された。
論文 参考訳(メタデータ) (2022-10-16T18:58:50Z) - Out of Distribution Data Detection Using Dropout Bayesian Neural
Networks [29.84998820573774]
まず, ドロップアウトBNNの中間層によって誘導されるランダム化埋め込みを利用する試みが, 距離測定によって失敗することを示す。
組込み不確実性を測定するための代替手法を導入し、その使用を理論的に正当化し、組込み不確実性を導入することで、画像分類、言語分類、マルウェア検出の3つのタスクにおけるOODデータ識別が向上することを示す。
論文 参考訳(メタデータ) (2022-02-18T02:23:43Z) - S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural
Networks via Guided Distribution Calibration [74.5509794733707]
本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。
提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。
提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
論文 参考訳(メタデータ) (2021-02-17T18:59:28Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Frequentist Uncertainty in Recurrent Neural Networks via Blockwise
Influence Functions [121.10450359856242]
リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。
RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。
a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
論文 参考訳(メタデータ) (2020-06-20T22:45:32Z)
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。