論文の概要: Flat Posterior Does Matter For Bayesian Transfer Learning
- arxiv url: http://arxiv.org/abs/2406.15664v1
- Date: Fri, 21 Jun 2024 21:44:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-25 21:14:22.373930
- Title: Flat Posterior Does Matter For Bayesian Transfer Learning
- Title（参考訳）: ベージアン・トランスファー・ラーニングのためのフラット・ポストプレアー
- Authors: Sungjun Lim, Jeyoon Yeom, Sooyon Kim, Hoyoon Byun, Jinho Kang, Yohan Jung, Jiyoung Jung, Kyungwoo Song,
- Abstract要約: ベイジアンニューラルネットワーク(BNN)は、ベイジアン手法をニューラルネットワークアーキテクチャに統合する。
BNNはベイズモデル平均化(BMA)や不確実性定量化などの利点を提供する。
これらの利点にもかかわらず、BNNの転送学習は広く研究されておらず、改善が限られている。
本稿では,パラメータ空間の後方のばらつきを計算し,BNNの性質に合わせたSA-BMAを提案する。
- 参考スコア（独自算出の注目度）: 15.371686185626162
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The large-scale pre-trained neural network has achieved notable success in enhancing performance for downstream tasks. Another promising approach for generalization is Bayesian Neural Network (BNN), which integrates Bayesian methods into neural network architectures, offering advantages such as Bayesian Model averaging (BMA) and uncertainty quantification. Despite these benefits, transfer learning for BNNs has not been widely investigated and shows limited improvement. We hypothesize that this issue arises from the inability to find flat minima, which is crucial for generalization performance. To address this, we evaluate the sharpness of BNNs in various settings, revealing their insufficiency in seeking flat minima and the influence of flatness on BMA performance. Therefore, we propose Sharpness-aware Bayesian Model Averaging (SA-BMA), a Bayesian-fitting flat posterior seeking optimizer integrated with Bayesian transfer learning. SA-BMA calculates the divergence between posteriors in the parameter space, aligning with the nature of BNNs, and serves as a generalized version of existing sharpness-aware optimizers. We validate that SA-BMA improves generalization performance in few-shot classification and distribution shift scenarios by ensuring flatness.
- Abstract（参考訳）: 大規模な事前学習型ニューラルネットワークは、下流タスクのパフォーマンス向上に成功している。
ベイジアンニューラルネットワークは、ベイジアン手法をニューラルネットワークアーキテクチャに統合し、ベイジアンモデル平均化(BMA)や不確実量化などの利点を提供する。
これらの利点にもかかわらず、BNNの転送学習は広く研究されておらず、改善が限られている。
この問題は、一般化性能に欠かせない平坦なミニマを見つけることができないことから生じると仮定する。
そこで我々は, BNNのシャープさを様々な環境で評価し, フラットなミニマを追求する上で, フラットネスがBMA性能に与える影響を明らかにする。
そこで本研究では,ベイジアン変換学習と統合したベイジアン探索最適化器である,シャープネス対応ベイジアンモデル平均化(SA-BMA)を提案する。
SA-BMAはパラメータ空間の後方間のばらつきを計算し、BNNの性質と整合し、既存のシャープネス対応オプティマイザの一般化版として機能する。
我々は,SA-BMAが平坦性を確保することにより,数ショットの分類および分布シフトシナリオにおける一般化性能を向上させることを検証する。
関連論文リスト
- Scalable Bayesian Learning with posteriors [0.856335408411906]
ベイズ学習の汎用実装をホストするPyTorchライブラリであるPostorsを導入する。
実験によりベイズ近似の有効性を実証・比較し,寒冷後部効果と大規模言語モデルを用いた応用について検討した。
論文 参考訳（メタデータ） (2024-05-31T18:00:12Z) - Entropy-MCMC: Sampling from Flat Basins with Ease [10.764160559530849]
我々は, シャープモードから解放された円滑な後円板に類似した定常分布である補助誘導変数を導入し, MCMC試料を平らな盆地に導出する。
この導出変数をモデルパラメータと統合することにより、計算オーバーヘッドを最小限に抑えた効率的なサンプリングを可能にする、単純なジョイント分布を作成する。
実験により,提案手法は後方の平らな盆地から試料を採取し,比較したベースラインを複数ベンチマークで比較した。
論文 参考訳（メタデータ） (2023-10-09T04:40:20Z) - Improving Transferability of Adversarial Examples via Bayesian Attacks [84.90830931076901]
モデル入力にベイズ定式化を組み込むことにより,モデル入力とモデルパラメータの共分散を可能にする新しい拡張を導入する。
提案手法は,トランスファーベース攻撃に対する新たな最先端技術を実現し,ImageNetとCIFAR-10の平均成功率をそれぞれ19.14%,2.08%向上させる。
論文 参考訳（メタデータ） (2023-07-21T03:43:07Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-04-17T10:59:57Z) - Flat Seeking Bayesian Neural Networks [32.61417343756841]
我々は、シャープネスを意識した後部における理論、ベイズ的設定、および変分推論アプローチを開発する。
具体的には、シャープネス認識後部から採取したモデルと、このシャープネス認識後部を推定する最適な近似後部モデルにより、平坦性が向上した。
我々は最先端のベイズニューラルネットワークによるシャープネス認識後部を応用して実験を行う。
論文 参考訳（メタデータ） (2023-02-06T11:40:44Z) - Variational Laplace Autoencoders [53.08170674326728]
変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。
完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。
また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
論文 参考訳（メタデータ） (2022-11-30T18:59:27Z) - Adversarial Bayesian Simulation [0.9137554315375922]
我々は,敵対的ネットワーク(GAN)と敵対的変動ベイズに基づく深いニューラル暗黙的サンプリング器を用いてベイズ近似計算(ABC)を橋渡しする。
我々は,逆最適化問題を解くことにより,後部を直接対象とするベイズ型GANを開発した。
本研究は, ニューラルネットワーク生成器と識別器において, 真と近似後部の典型的な総変動距離が0に収束することを示す。
論文 参考訳（メタデータ） (2022-08-25T14:18:39Z) - Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。
トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。
1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
論文 参考訳（メタデータ） (2022-05-27T11:13:17Z) - What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。
また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
論文 参考訳（メタデータ） (2021-04-29T15:38:46Z) - 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)
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。