贝叶斯神经网络用于不确定性估计的有效性研究
机器学习
2020-01-01 v2 机器学习
摘要
深度神经网络(DNN)是通用的参数化模型,已成功应用于众多任务和领域。然而,它们存在局限性——尤其表现为缺乏鲁棒性以及对分布外样本过度敏感。贝叶斯神经网络由于其在贝叶斯框架下的表述,提供了一种构建神经网络的原则性方法以克服这些局限。本文描述了一项实证研究,该实证研究经验性地评估并比较贝叶斯神经网络与其等价的点估计深度神经网络,以量化由其参数引发的可预测不确定性,以及在此不确定性视角下的性能表现。在本研究中,我们使用两个著名的基准图像分类数据集(CIFAR-10 和 SVHN),评估并比较了三个点估计深度神经网络与可比较的贝叶斯神经网络替代方案。
引用
@article{arxiv.1912.01530,
title = {On the Validity of Bayesian Neural Networks for Uncertainty Estimation},
author = {John Mitros and Brian Mac Namee},
journal= {arXiv preprint arXiv:1912.01530},
year = {2020}
}
备注
AICS2019, fixed typos, figures, tables