利用 MCMC 解决射电星系深度学习分类中的模型误设定问题
天体物理仪器与方法
2023-11-15 v1 星系天体物理
摘要
射电天文学界正在采用深度学习技术来应对下一代射电天文台预期产生的海量数据。贝叶斯神经网络（BNN）提供了一种原则性的方法来建模深度学习模型预测中的不确定性，并将在从这些模型输出中提取校准良好的不确定性估计方面发挥重要作用。然而，大多数常用的近似贝叶斯推断技术，如变分推断和基于 MCMC 的算法，都会经历“冷后验效应（CPE）”，根据该效应，必须对后验进行降权才能获得良好的预测性能。CPE 已被关联到若干因素，如数据增强或数据集整理导致似然误设定以及先验误设定。在这项工作中，我们使用 MCMC 采样表明，高斯参数族是对真实后验的糟糕变分近似，并引发了先前在使用基于变分推断的 BNN 进行射电星系形态分类时观察到的 CPE。
引用
@article{arxiv.2311.08243,
title = {MCMC to address model misspecification in Deep Learning classification of Radio Galaxies},
author = {Devina Mohan and Anna Scaife},
journal= {arXiv preprint arXiv:2311.08243},
year = {2023}
}
备注
Accepted in Machine Learning and the Physical Sciences Workshop at NeurIPS 2023; 6 pages, 1 figure, 1 table