Core Concepts
正確性を考慮したベイズ学習フレームワークを提案し、従来のベイズ学習の限界を改善する。
Abstract
本論文は、正確性を考慮したベイズ学習(Calibration-Aware Bayesian Learning)を提案している。
従来のベイズ学習は、モデルとデータの適合性が良好であれば、予測の不確実性を適切に捉えることができるが、モデル設定が適切でない場合は、予測の正確性が低下する問題がある。一方、従来の頻度主義的学習では、予測の正確性を直接的に扱うアプローチが提案されているが、予測の不確実性を適切に表現できないという限界がある。
本論文では、これらの限界を克服するため、ベイズ学習にデータ依存の正確性正則化項を導入した新しい枠組みを提案している。具体的には、ベイズ学習の目的関数に、期待校正誤差(ECE)の微分可能な近似値を正則化項として追加することで、予測の正確性と不確実性の両方を考慮した学習を実現している。
実験結果から、提案手法は従来手法に比べて、ECEが低く、信頼性ダイアグラムにおいても良好な特性を示すことが確認された。
Stats
予測の正確性と不確実性のトレードオフを適切に扱うことができる。
従来のベイズ学習に比べて、予測の正確性が向上する。
従来の頻度主義的手法に比べて、予測の不確実性を適切に表現できる。
Quotes
"Bayesian learning captures such epistemic uncertainty in the model parameter space by treating the model parameter vector θ as a random vector."
"However, when the model – prior distribution and likelihood function – are misspecified, Bayesian learning is no longer guaranteed to provide well-calibrated decisions."
"In light of the mentioned limitations of both approaches, this paper proposes an integrated training framework, referred to as calibration-aware Bayesian neural networks (CA-BNNs)."