本論文では、Bayesian学習における校正性能の向上を目的とした手法を提案している。
まず、従来のFrequentist Neural Network (FNN)やBayesian Neural Network (BNN)では、計算上の制約やモデル誤差のため、十分な校正性能が得られないことを示している。
そこで、以下の3つのアプローチを統合したフレームワークを提案する:
校正正則化: 校正誤差を直接最小化する正則化項を導入し、ID校正性能を向上させる。これにより、FNNやBNNの校正性能を改善できる。
信頼度最小化: OOD入力に対して高い不確実性を持つよう正則化することで、OOD検出性能を向上させる。
選択的校正: 校正性能が十分に高いと期待される入力のみを受け入れることで、ID校正とOOD検出のトレードオフを改善する。
提案手法は、まず校正正則化BNN (CBNN)を導入し、次にOOD信頼度最小化を加えたCBNN-OCMを提案する。さらに選択的校正を統合したSCBNN-OCMを提案している。
実験結果では、提案手法がID校正、OOD検出、そして両者のトレードオフにおいて優れた性能を示すことを確認している。
Vers une autre langue
à partir du contenu source
arxiv.org
Questions plus approfondies