Fugu-MT 論文翻訳(概要): Uncertainty propagation through trained multi-layer perceptrons: Exact analytical results

論文の概要: Uncertainty propagation through trained multi-layer perceptrons: Exact analytical results

arxiv url: http://arxiv.org/abs/2601.16830v1
Date: Fri, 23 Jan 2026 15:29:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-26 14:27:27.74588
Title: Uncertainty propagation through trained multi-layer perceptrons: Exact analytical results
Title（参考訳）: トレーニングされた多層パーセプトロンによる不確実性伝播:特に解析結果
Authors: Andrew Thompson, Miles McCrory,
Abstract要約: 我々は,1つの隠蔽層とReLU活性化関数を持つ訓練された多層パーセプトロン(MLP)による不確かさの伝播に関する解析結果を示す。従来の結果とは対照的に,級数展開に頼らずに正確な表現が得られる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We give analytical results for propagation of uncertainty through trained multi-layer perceptrons (MLPs) with a single hidden layer and ReLU activation functions. More precisely, we give expressions for the mean and variance of the output when the input is multivariate Gaussian. In contrast to previous results, we obtain exact expressions without resort to a series expansion.
Abstract（参考訳）: 我々は,1つの隠蔽層とReLU活性化関数を持つ訓練された多層パーセプトロン(MLP)による不確かさの伝播に関する解析結果を示す。より正確には、入力が多変量ガウスであるときの出力の平均と分散の式を与える。従来の結果とは対照的に,級数展開に頼らずに正確な表現が得られる。

関連論文リスト

Feature learning in finite-width Bayesian deep linear networks with multiple outputs and convolutional layers [39.71511919246829]
深い線形ネットワークは広く研究されているが、複数の出力と畳み込み層を持つ有限幅アーキテクチャの場合はほとんど知られていない。我々の研究は、この物理学の直観と用語を厳密なベイズ統計に翻訳する辞書を提供する。
論文参考訳（メタデータ） (2024-06-05T13:37:42Z)
Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文参考訳（メタデータ） (2024-02-09T07:18:06Z)
Learning Disentangled Discrete Representations [22.5004558029479]
本稿では,標準ガウス変分オートエンコーダをカテゴリー変分オートエンコーダに置き換えることで,離散潜在空間と非交分表現の関係を示す。本研究では,非絡み合った表現を学習する上で,個別のVAEの利点を示す分析的および実証的な知見を提供する。
論文参考訳（メタデータ） (2023-07-26T12:29:58Z)
A Heavy-Tailed Algebra for Probabilistic Programming [53.32246823168763]
本稿では,確率変数の尾を解析するための体系的アプローチを提案する。本稿では,確率型プログラミング言語コンパイラの静的解析(サンプル作成前)において,この手法をどのように利用できるかを示す。実験結果から,重み付き代数を利用する推論アルゴリズムは,多数の密度モデリングおよび変分推論タスクにおいて優れた性能が得られることを確認した。
論文参考訳（メタデータ） (2023-06-15T16:37:36Z)
Leveraging Heteroscedastic Uncertainty in Learning Complex Spectral Mapping for Single-channel Speech Enhancement [20.823177372464414]
ほとんどの音声強調(SE)モデルは、ポイント推定を学習し、学習過程における不確実性推定を利用しない。本研究では,多変量ガウス陰性ログ類似度 (NLL) を最小化することにより,SE性能を余分なコストで向上させることにより,ヘテロスセダスティック不確実性をモデル化できることを示す。
論文参考訳（メタデータ） (2022-11-16T02:29:05Z)
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)
Efficient Semi-Implicit Variational Inference [65.07058307271329]
効率的でスケーラブルな半単純外挿 (SIVI) を提案する。本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
論文参考訳（メタデータ） (2021-01-15T11:39:09Z)
Network Moments: Extensions and Sparse-Smooth Attacks [59.24080620535988]
ガウス入力を受ける小片方向線形(PL)ネットワーク(Affine,ReLU,Affine)の第1モーメントと第2モーメントの正確な解析式を導出する。本研究では,新しい分散式を効率的に近似し,より厳密な分散推定を行うことを示す。
論文参考訳（メタデータ） (2020-06-21T11:36:41Z)

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。