Fugu-MT 論文翻訳(概要): Generative Posterior Networks for Approximately Bayesian Epistemic Uncertainty Estimation

論文の概要: Generative Posterior Networks for Approximately Bayesian Epistemic Uncertainty Estimation

arxiv url: http://arxiv.org/abs/2312.17411v1
Date: Fri, 29 Dec 2023 00:43:41 GMT
ステータス: 処理完了
システム内更新日: 2024-01-02 14:03:15.400810
Title: Generative Posterior Networks for Approximately Bayesian Epistemic Uncertainty Estimation
Title（参考訳）: ベイズ上皮性不確実性推定のための生成後ネットワーク
Authors: Melrose Roderick, Felix Berkenkamp, Fatemeh Sheikholeslami, Zico Kolter
Abstract要約: 本稿では,ラベルのないデータを用いて高次元問題における不確実性を推定するGPN(Generative Posterior Networks)を提案する。 GPNは、関数上の事前分布を与えられた後続分布を直接近似する生成モデルである。
参考スコア（独自算出の注目度）: 11.66240919177989
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In many real-world problems, there is a limited set of training data, but an abundance of unlabeled data. We propose a new method, Generative Posterior Networks (GPNs), that uses unlabeled data to estimate epistemic uncertainty in high-dimensional problems. A GPN is a generative model that, given a prior distribution over functions, approximates the posterior distribution directly by regularizing the network towards samples from the prior. We prove theoretically that our method indeed approximates the Bayesian posterior and show empirically that it improves epistemic uncertainty estimation and scalability over competing methods.
Abstract（参考訳）: 多くの実世界の問題では、トレーニングデータには制限があるが、ラベルのないデータが豊富にある。本稿では,ラベルのないデータを用いて高次元問題におけるてんかん不確実性を推定する新しい手法GPNを提案する。 gpnは、関数上の事前分布が与えられたとき、ネットワークを事前のサンプルに向けて正規化することによって後続分布を直接近似する生成モデルである。理論上,本手法はベイズ後方を近似し,それよりも認識的不確実性推定と拡張性が向上することを示す。

関連論文リスト

Offline Bayesian Aleatoric and Epistemic Uncertainty Quantification and Posterior Value Optimisation in Finite-State MDPs [3.1139806580181006]
有限状態マルコフ決定過程(MDP)のオフライン使用例におけるベイズの不確かさを未知のダイナミクスで定量化することの課題に対処する。我々は標準ベイズ強化学習法を用いて,MDPパラメータの後方不確実性を捉える。次に、後続サンプル間の戻り分布の最初の2つのモーメントを解析的に計算し、全分散の法則を適用する。我々は,AIクリニック問題に適用することで,実世界の影響と計算能力のスケーラビリティを強調した。
論文参考訳（メタデータ） (2024-06-04T16:21:14Z)
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)
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)
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)
Federated Learning with Uncertainty via Distilled Predictive Distributions [14.828509220023387]
筆者らは,各ラウンドにおいて,各クライアントがパラメータや後部予測分布(PPD)だけでなく,後部分布を推定する不確実性を伴うフェデレーション学習の枠組みを提案する。連邦学習における最近のベイズ的アプローチとは異なり、我々のアプローチでは各クライアントからサーバにパラメータの後方分布全体を送信する必要はない。我々の手法は、クライアントの後部分布の形式やPDの形式など、制限的な仮定を一切行いません。
論文参考訳（メタデータ） (2022-06-15T14:24:59Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文参考訳（メタデータ） (2021-02-22T07:02:37Z)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)
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)
Uncertainty-Aware Deep Classifiers using Generative Models [7.486679152591502]
ディープニューラルネットワークは、しばしば、彼らが知らないことについて無知であり、インフォームド予測を行うときに過信する。最近のアプローチでは、クラス境界に近いデータサンプルやトレーニング分布の外側から、モデルに高い不確実性を出力するようにトレーニングすることで、不確実性を直接定量化している。本研究では,アレータ性およびてんかん性不確実性の両方を表現し,決定境界と分布外領域を識別できる新しいニューラルネットワークモデルを構築した。
論文参考訳（メタデータ） (2020-06-07T15:38:35Z)

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。