論文の概要: Multivariate Bayesian Last Layer for Regression: Uncertainty Quantification and Disentanglement
- arxiv url: http://arxiv.org/abs/2405.01761v1
- Date: Thu, 2 May 2024 21:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-06 14:15:00.648000
- Title: Multivariate Bayesian Last Layer for Regression: Uncertainty Quantification and Disentanglement
- Title（参考訳）: 回帰のための多変量ベイズ最後の層:不確かさの定量化と絡み合い
- Authors: Han Wang, Eiji Kawasaki, Guillaume Damblin, Geoffrey Daniel,
- Abstract要約: 異方性雑音下での多変量回帰の設定に新しいベイズラストレイヤーモデルを提案する。
パラメータ学習のための最適化アルゴリズムを提案する。
このフレームワークは、正統的な訓練を受けたディープニューラルネットワークを、不確実性を認識した新しいデータドメインに転送するために使用できることを示す。
- 参考スコア（独自算出の注目度）: 4.137574627759939
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present new Bayesian Last Layer models in the setting of multivariate regression under heteroscedastic noise, and propose an optimization algorithm for parameter learning. Bayesian Last Layer combines Bayesian modelling of the predictive distribution with neural networks for parameterization of the prior, and has the attractive property of uncertainty quantification with a single forward pass. The proposed framework is capable of disentangling the aleatoric and epistemic uncertainty, and can be used to transfer a canonically trained deep neural network to new data domains with uncertainty-aware capability.
- Abstract（参考訳）: 本稿では,非定常雑音下での多変量回帰の設定に新しいベイズラストレイヤーモデルを提案し,パラメータ学習のための最適化アルゴリズムを提案する。
ベイジアン・ラスト・レイヤは、予測分布のベイジアンモデルとニューラルネットワークを組み合わせ、前者のパラメータ化を行い、単一の前方通過で不確実性定量化の魅力的な性質を持つ。
提案するフレームワークは、動脈とてんかんの不確実性を解消し、キャノン訓練されたディープニューラルネットワークを不確実性を認識した新しいデータドメインに転送するために使用できる。
関連論文リスト
- Variational Bayesian Bow tie Neural Networks with Shrinkage [0.276240219662896]
我々は、標準フィードフォワード修正ニューラルネットワークの緩和版を構築した。
我々は、条件付き線形およびガウス的モデルをレンダリングするために、Polya-Gammaデータ拡張トリックを用いる。
層間における分布仮定や独立性を回避する変分推論アルゴリズムを導出する。
論文 参考訳（メタデータ） (2024-11-17T17:36:30Z) - Flexible Bayesian Last Layer Models Using Implicit Priors and Diffusion Posterior Sampling [7.084307990641011]
ベイズ最後の層重みの変分学習に拡散法と暗黙の先行法を組み合わせた新しい手法を提案する。
そこで本手法は,BLLモデルの表現能力を高めることを目的とする。
論文 参考訳（メタデータ） (2024-08-07T12:59:58Z) - Variational Bayesian Last Layers [14.521406172240845]
ベイズ最後の層ニューラルネットワークをトレーニングするための決定論的変分定式化を導入する。
これによりサンプリング不要の単一パスモデルと損失が得られ、不確実性推定を効果的に改善する。
VBLLを実験的に検討し, 予測精度, キャリブレーション, 分布検出の精度をベースライン上で向上することを示した。
論文 参考訳（メタデータ） (2024-04-17T17:50:24Z) - 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) - 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) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳（メタデータ） (2021-11-26T06:33:29Z) - 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) - 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)
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。