卷积神经网络中的不确定性传播：技术报告
机器学习
2021-02-12 v1
摘要
在本技术报告中，我们研究给定单变量正态随机变量的方差所表征的不确定性通过卷积神经网络（CNN）典型构建模块的传播问题。这些模块包括执行线性运算的层，如二维卷积、全连接与平均池化层，以及对其输入进行非线性作用的层，如修正线性单元（ReLU）。最后，我们讨论了sigmoid函数，给出了其一阶与二阶矩的近似，以及二值交叉熵损失函数，给出了其在正态随机输入下期望值的近似。
引用
@article{arxiv.2102.06064,
title = {Uncertainty Propagation in Convolutional Neural Networks: Technical Report},
author = {Christos Tzelepis and Ioannis Patras},
journal= {arXiv preprint arXiv:2102.06064},
year = {2021}
}
备注
A PyTorch implementation is available under the MIT license here: https://github.com/chi0tzp/uacnn