Scifaro

中文

基于扩展卡尔曼滤波的深度神经网络不确定性传播

机器学习 2018-09-18 v1 数值分析机器学习

作者: Jessica S. Titensky , Hayden Jananthan , Jeremy Kepner

在 arXiv 上查看 ↗ PDF ↗

摘要

在输入分布的温和假设下，扩展卡尔曼滤波（EKF）可用于在深度神经网络（DNN）中传播与量化输入不确定性。该方法所得结果与现有 DNN 不确定性传播方法相当，同时大幅降低了计算开销。此外，EKF 允许将模型误差自然地纳入输出不确定性中。

关键词

不确定性传播深度神经网络扩展卡尔曼滤波输入不确定性模型误差

引用

@article{arxiv.1809.06009,
  title  = {Uncertainty Propagation in Deep Neural Networks Using Extended Kalman Filtering},
  author = {Jessica S. Titensky and Hayden Jananthan and Jeremy Kepner},
  journal= {arXiv preprint arXiv:1809.06009},
  year   = {2018}
}

备注

4 Pages, 8 figures. Accepted at MIT IEEE Undergraduate Research Technology Conference 2018. Publication pending