神经过程中的不确定性
机器学习
2020-10-09 v1 机器学习
摘要
我们探讨了在概率条件生成模型中，架构与训练目标选择对摊销后验预测推断的影响。我们将此工作作为近期文献中强调在条件数据量较大时获得良好样本这一趋势的对立观点。我们转而关注条件数据量较小的情形。我们指出了在此低数据情形下，我们发现能带来后验推断定性与定量改进的特定架构与目标选择。具体而言，我们探讨了池化算子与变分族的选择对神经过程中后验质量的影响。我们新颖的神经过程架构所绘制的更优后验预测样本通过图像补全/修复实验得到了展示。
引用
@article{arxiv.2010.03753,
title = {Uncertainty in Neural Processes},
author = {Saeid Naderiparizi and Kenny Chiu and Benjamin Bloem-Reddy and Frank Wood},
journal= {arXiv preprint arXiv:2010.03753},
year = {2020}
}