具有任务相关平稳先验的贝叶斯卷积深度集
机器学习
2022-10-25 v1 机器学习
统计方法学
摘要
卷积深度集是一种可建模平稳随机过程的深度神经网络（DNN）架构。该架构使用核平滑器与 DNN 构造平移等变函数表示，从而将平稳性的归纳偏置反映到 DNN 中。然而，由于该架构采用的核平滑器作为非参数模型，当给定数据点数量不足时可能产生模糊的表示。为补救此问题，我们引入贝叶斯卷积深度集，以平稳先验构造随机平移等变函数表示。此外，我们展示了如何为每个数据集施加任务相关先验，因为错误施加的先验会比核平滑器形成更差的表示。我们在时间序列和图像数据集的多种实验上验证了所提架构及其训练。
引用
@article{arxiv.2210.12363,
title = {Bayesian Convolutional Deep Sets with Task-Dependent Stationary Prior},
author = {Yohan Jung and Jinkyoo Park},
journal= {arXiv preprint arXiv:2210.12363},
year = {2022}
}
备注
13 pages, 7 figures