基于神经网络估计参数的不确定性：在强引力透镜中的应用
宇宙学与河外天体物理
2017-11-29 v1 天体物理仪器与方法
摘要
在 Hezaveh 等人（2017）中，我们展示了深度学习可用于模型参数估计，并训练了卷积神经网络以确定强引力透镜系统的参数。在此，我们演示了一种获取这些参数不确定性的方法。我们回顾了变分推断框架以获取贝叶斯神经网络的近似后验，并将其应用于一个经过训练以估计奇异等温椭球加外部剪切和总通量放大率参数的网络。我们表明，该方法能够捕捉由于输入数据中不同噪声水平以及网络所犯的训练和架构相关错误而导致的不确定性。为了评估所得不确定性的准确性，我们计算了每个透镜参数的边缘化分布的覆盖概率。通过调整单个超参数——丢弃率（dropout rate），我们获得了近似等于计算时所针对置信水平的覆盖概率，从而得到准确且精确的不确定性估计。我们的结果表明，在许多实际应用中，神经网络可以成为蒙特卡洛马尔可夫链（Monte Carlo Markov Chains）用于参数不确定性估计的快速替代方案，速度提升超过七个数量级。
引用
@article{arxiv.1708.08843,
title = {Uncertainties in Parameters Estimated with Neural Networks: Application to Strong Gravitational Lensing},
author = {Laurence Perreault Levasseur and Yashar D. Hezaveh and Risa H. Wechsler},
journal= {arXiv preprint arXiv:1708.08843},
year = {2017}
}
备注
submitted to ApJL