論文の概要: Double-Bayesian Learning

• arxiv url: http://arxiv.org/abs/2410.12984v1
• Date: Wed, 16 Oct 2024 19:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:22:20.870366
• Title: Double-Bayesian Learning
• Title（参考訳）: 二重ベイズ学習
• Authors: Stefan Jaeger,
• Abstract要約: 本稿は、この双対性が決定における本質的な不確実性と、それが説明可能性をどのように組み込むかを示す。 提案手法は,不確実性を測定する対数関数の基盤を見つける上で,ベイズ学習が極めて重要であることを理解している。 二重ベイジアンフレームワークは、勾配学習率と運動量を用いて、ニューラルネットワークをトレーニングするために文献で使われているものと似た値を使用することを提案している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Contemporary machine learning methods will try to approach the Bayes error, as it is the lowest possible error any model can achieve. This paper postulates that any decision is composed of not one but two Bayesian decisions and that decision-making is, therefore, a double-Bayesian process. The paper shows how this duality implies intrinsic uncertainty in decisions and how it incorporates explainability. The proposed approach understands that Bayesian learning is tantamount to finding a base for a logarithmic function measuring uncertainty, with solutions being fixed points. Furthermore, following this approach, the golden ratio describes possible solutions satisfying Bayes' theorem. The double-Bayesian framework suggests using a learning rate and momentum weight with values similar to those used in the literature to train neural networks with stochastic gradient descent.
• Abstract（参考訳）: 現代の機械学習手法は、どんなモデルでもできる最小限の誤差であるため、ベイズ誤差にアプローチしようとする。 本稿は、任意の決定は1つではなく2つのベイズ的決定から成り、意思決定は二重ベイズ的プロセスである、と仮定する。 本稿は、この双対性が決定における本質的な不確実性と、それが説明可能性をどのように組み込むかを示す。 提案手法はベイズ学習が不確実性を測定する対数関数の基底を見つけるのに最適であり、解は固定点である。 さらに、このアプローチに従うと、黄金比はベイズの定理を満たす可能な解を記述する。 二重ベイジアンフレームワークは、確率勾配降下を伴うニューラルネットワークをトレーニングするために、文献で使われているものと似た値の学習率と運動量重みを用いることを提案している。

関連論文リスト

• Primal Dual Continual Learning: Balancing Stability and Plasticity through Adaptive Memory Allocation [86.8475564814154]
  制約付き最適化問題を直接実行することは可能かつ有益であることを示す。 メモリベースのメソッドでは、以前のタスクからのサンプルの小さなサブセットをリプレイバッファに格納できる。 両変数は,制約摂動に対する連続学習問題の最適値の感度を示す。
  論文  参考訳（メタデータ） (2023-09-29T21:23:27Z)
• Bayesian Reasoning for Physics Informed Neural Networks [0.0]
  ベイジアン定式化における物理インフォームドニューラルネットワーク(PINN)の応用について述べる。 それぞれのモデルまたは適合について、エビデンスを計算し、仮説を分類する尺度である。 ベイズフレームワークでは、境界と方程式の間の相対重みが全体の損失に寄与していることが示されている。
  論文  参考訳（メタデータ） (2023-08-25T07:38:50Z)
• Composed Image Retrieval with Text Feedback via Multi-grained Uncertainty Regularization [73.04187954213471]
  粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。 提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
  論文  参考訳（メタデータ） (2022-11-14T14:25:40Z)
• Understanding Approximation for Bayesian Inference in Neural Networks [7.081604594416339]
  ベイズニューラルネットワークにおける近似推論について検討する。 近似後部の期待効用は推論品質を測定することができる。 継続的かつ活発な学習セットは、後部品質とは無関係な課題を引き起こします。
  論文  参考訳（メタデータ） (2022-11-11T11:31:13Z)
• On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
  本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。 分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-02-28T13:01:04Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Parsimony-Enhanced Sparse Bayesian Learning for Robust Discovery of Partial Differential Equations [5.584060970507507]
  Parsimony Enhanced Sparse Bayesian Learning (PeSBL) 法は非線形力学系の部分微分方程式 (PDE) を解析するために開発された。 数値ケーススタディの結果,多くの標準力学系のPDEをPeSBL法を用いて正確に同定できることが示唆された。
  論文  参考訳（メタデータ） (2021-07-08T00:56:11Z)
• Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
  大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。 多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。 本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
  論文  参考訳（メタデータ） (2021-04-26T15:12:13Z)
• The FMRIB Variational Bayesian Inference Tutorial II: Stochastic Variational Bayes [1.827510863075184]
  このチュートリアルは、オリジナルのFMRIB Variational Bayesチュートリアルを再考する。 この新しいアプローチは、機械学習アルゴリズムに適用された計算方法に多くの類似性を持ち、恩恵を受けている。
  論文  参考訳（メタデータ） (2020-07-03T11:31:52Z)
• Getting a CLUE: A Method for Explaining Uncertainty Estimates [30.367995696223726]
  微分可能確率モデルからの不確実性推定を解釈する新しい手法を提案する。 提案手法は,データ多様体上に保持しながら,入力の変更方法を示す。
  論文  参考訳（メタデータ） (2020-06-11T21:53:15Z)
• Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
  二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。 そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。 勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
  論文  参考訳（メタデータ） (2020-06-04T21:51:21Z)

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。