贝叶斯神经网络拉普拉斯近似的融合框架与多模态
信号处理
2023-10-13 v1
摘要
本文考虑神经网络(NN)预测的顺序融合以及多个NN预测的融合问题。该融合策略提升了鲁棒性，即降低了单次错误分类的影响，并检测出训练期间NN未见过的离群值。本文使用贝叶斯神经网络(BNN)的拉普拉斯近似来量化融合所需的不确定性。此处提出一种扩展，使得NN的预测可由多模态分布表示。关于预测中估计不确定度的校准，能够表示多模态分布的灵活性显著提升了性能。我们使用了两类经典图像分类任务，即MNIST与CFAR10，以及来自瑞典森林中食肉动物相机陷阱的图像序列，以展示融合策略及所提出的拉普拉斯近似扩展。
引用
@article{arxiv.2310.08315,
title = {Fusion framework and multimodality for the Laplacian approximation of Bayesian neural networks},
author = {Magnus Malmström and Isaac Skog and Daniel Axehill and Fredrik Gustafsson},
journal= {arXiv preprint arXiv:2310.08315},
year = {2023}
}
备注
10 pages, 5 figures