Fugu-MT 論文翻訳(概要): Bayesian Topological Convolutional Neural Nets

論文の概要: Bayesian Topological Convolutional Neural Nets

arxiv url: http://arxiv.org/abs/2510.11704v1
Date: Mon, 13 Oct 2025 17:57:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-14 18:06:30.500591
Title: Bayesian Topological Convolutional Neural Nets
Title（参考訳）: ベイズトポロジカル畳み込みニューラルネット
Authors: Sarah Harkins Dayton, Hayden Everett, Ioannis Schizas, David L. Boothe Jr., Vasileios Maroulas,
Abstract要約: 畳み込みニューラルネットワーク(CNN)は、画像データ処理における主要なワークホースとして確立されている。本稿では,位相認識学習とベイズサンプリングの相互作用を促進する新しいベイズトポロジカルCNNを提案する。ベンチマーク画像分類データセットのモデルを評価し、従来のCNN、ベイズニューラルネットワーク(BNN)、トポロジカルCNNよりも優れていることを示す。
参考スコア（独自算出の注目度）: 0.5985483103102681
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Convolutional neural networks (CNNs) have been established as the main workhorse in image data processing; nonetheless, they require large amounts of data to train, often produce overconfident predictions, and frequently lack the ability to quantify the uncertainty of their predictions. To address these concerns, we propose a new Bayesian topological CNN that promotes a novel interplay between topology-aware learning and Bayesian sampling. Specifically, it utilizes information from important manifolds to accelerate training while reducing calibration error by placing prior distributions on network parameters and properly learning appropriate posteriors. One important contribution of our work is the inclusion of a consistency condition in the learning cost, which can effectively modify the prior distributions to improve the performance of our novel network architecture. We evaluate the model on benchmark image classification datasets and demonstrate its superiority over conventional CNNs, Bayesian neural networks (BNNs), and topological CNNs. In particular, we supply evidence that our method provides an advantage in situations where training data is limited or corrupted. Furthermore, we show that the new model allows for better uncertainty quantification than standard BNNs since it can more readily identify examples of out-of-distribution data on which it has not been trained. Our results highlight the potential of our novel hybrid approach for more efficient and robust image classification.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、画像データ処理の主要な作業手段として確立されているが、トレーニングに大量のデータを必要とし、しばしば過信の予測を生成し、予測の不確実性を定量化する能力が欠如している。これらの問題に対処するため,我々は,位相認識学習とベイズサンプリングの相互作用を促進する新しいベイズトポロジカルCNNを提案する。具体的には、ネットワークパラメータに事前分布を配置し、適切な後部を適切に学習することにより、トレーニングを加速し、校正誤差を低減させる。我々の研究の重要な貢献は、学習コストに一貫性条件を組み込むことであり、これにより、従来の分布を効果的に修正し、新しいネットワークアーキテクチャの性能を向上させることができる。ベンチマーク画像分類データセットのモデルを評価し、従来のCNN、ベイズニューラルネットワーク(BNN)、トポロジカルCNNよりも優れていることを示す。特に,トレーニングデータに制限や破損がある状況において,本手法が有利であることを示す。さらに,本モデルでは,トレーニングされていないアウト・オブ・ディストリビューションデータの例をより容易に特定できるため,標準BNNよりも不確実性の定量化が可能であることを示す。その結果,より効率的でロバストな画像分類のための新しいハイブリッドアプローチの可能性を強調した。

関連論文リスト

Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
本稿では,PE-GNNと量子ニューラルネットワーク,部分的に単調なニューラルブロック,ポストホックリカレーション技術を組み合わせた新しいフレームワークを提案する。 PE-GQNNは、ターゲット分布に関する最小の仮定で柔軟で堅牢な条件密度推定を可能にし、空間データを超えたタスクに自然に拡張する。
論文参考訳（メタデータ） (2024-09-27T16:02:12Z)
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)
Benign Overfitting in Two-Layer ReLU Convolutional Neural Networks for XOR Data [24.86314525762012]
勾配降下法により訓練されたReLU CNNがベイズ最適精度付近で実現できることを示す。以上の結果から,CNNは高い相関性のある特徴が存在する場合でも,効率よくXOR問題を学習する能力を有することが明らかとなった。
論文参考訳（メタデータ） (2023-10-03T11:31:37Z)
Amortised Inference in Bayesian Neural Networks [0.0]
Amortized Pseudo-Observation Variational Inference Bayesian Neural Network (APOVI-BNN)を紹介する。補正された推論は、従来の変分推論によって得られたものと類似または良好な品質であることが示される。次に、APOVI-BNNをニューラルプロセスファミリーの新たなメンバーと見なす方法について論じる。
論文参考訳（メタデータ） (2023-09-06T14:02:33Z)
Bayesian Neural Network Versus Ex-Post Calibration For Prediction Uncertainty [0.2343856409260935]
ニューラルネットワークからの確率的予測は、分類中の予測の不確実性の原因となる。実際には、ほとんどのデータセットは非確率的ニューラルネットワークでトレーニングされています。キャリブレーションアプローチのもっともらしい代替手段は、予測分布を直接モデル化するベイズニューラルネットワークを使用することである。
論文参考訳（メタデータ） (2022-09-29T07:22:19Z)
Bayesian Convolutional Neural Networks for Limited Data Hyperspectral Remote Sensing Image Classification [14.464344312441582]
我々は、HSRS画像の分類に、ベイズニューラルネットワークと呼ばれる、ディープニューラルネットワークの特別なクラスを使用します。ベイズニューラルネットワークは、不確実性を測定するための固有のツールを提供する。ベイジアンネットワークは、同様に構築された非ベイジアン畳み込みニューラルネットワーク(CNN)と、既成のランダムフォレスト(RF)より優れていることを示す。
論文参考訳（メタデータ） (2022-05-19T00:02:16Z)
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)
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)
On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-16T18:39:04Z)
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)
Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。