面向可靠无线 AI 的鲁棒贝叶斯学习：框架与应用
机器学习
2022-07-04 v1 人工智能
信息论
math.IT
摘要
本工作从可靠性与鲁棒性视角批判性审视了常规机器学习方法在无线通信问题上的应用。深度学习技术采用频率学派框架，且已知会给出校准不良的判定，无法复现由训练数据规模限制导致的真实不确定性。贝叶斯学习虽原则上能弥补此缺陷，实践中却受模型误设与离群点存在所累。这两类问题在无线通信场景中普遍存在，其中机器学习模型的容量受资源约束，训练数据受噪声与干扰影响。在此背景下，我们探索鲁棒贝叶斯学习框架的应用。在教程式介绍鲁棒贝叶斯学习后，我们在若干重要无线通信问题上展示了鲁棒贝叶斯学习在准确性、校准性以及对离群点与误设的鲁棒性方面的优势。
引用
@article{arxiv.2207.00300,
title = {Robust Bayesian Learning for Reliable Wireless AI: Framework and Applications},
author = {Matteo Zecchin and Sangwoo Park and Osvaldo Simeone and Marios Kountouris and David Gesbert},
journal= {arXiv preprint arXiv:2207.00300},
year = {2022}
}
备注
Submitted for publication