Core Concepts
ベイズ型ニューラルネットワークは、データ外分布の不確実性をより適切に捉えることで、不確実性推定の性能を向上させることができる。
Abstract
本論文では、ベイズ型ニューラルネットワーク(BNN)を用いて、データ外分布(OOD)の不確実性をより適切に捉えるための新しい手法を提案している。
まず、OOD データの不確実性を数学的に記述し、OOD データを半OOD(semi-OOD)と完全OOD(full-OOD)に分類している。次に、パラメータの分散と不確実性の関係を分析し、OOD データの不確実性をBNNに統合するための対抗的な学習アプローチを開発している。
提案手法であるAttached Bayesian Neural Network (ABNN)は、期待値モジュールと分布モジュールの2つのモジュールから構成される。期待値モジュールは元のタスクに焦点を当てた深層ネットワークであり、分布モジュールは小規模なベイズ構造で、ID データとOOD データの両方から不確実性を抽出することを目的としている。
理論的な収束性の分析と実験的な検証により、ABNNが状態の技術と比較して優れた不確実性推定性能を示すことが明らかになった。
Stats
OOD データの不確実性は、ID データの不確実性よりも高い。
パラメータの分散が大きいほど、出力の不確実性も大きくなる。
Quotes
"Bayesian Neural Networks (BNNs) have become one of the promising approaches for uncertainty estimation due to the solid theorical foundations."
"Instead of only seeking the distribution of neural network weights by in-distribution (ID) data, in this paper, we propose a new Bayesian Neural Network with an Attached structure (ABNN) to catch more uncertainty from out-of-distribution (OOD) data."