Core Concepts
深層アンサンブルは、データ拡張を使用することで新たな等変性を示す。
Abstract
深層アンサンブルは、データ拡張を使用して全入力と全訓練時に等変性を示す。個々のアンサンブルメンバーの予測は等変ではないが、集合的な予測は等変である。ニューラル接線カーネル理論を使用してこの結果を導出し、詳細な数値実験で理論的洞察を検証する。無限幅限界において、深層アンサンブルが完全に等変であることを証明し、有限サイズやデータ拡張による偏差の境界も導出する。
Stats
深層アンサンブルは、大きな幅でトレーニングされた場合にすべての段階で等変性がある。
ディープアンサンブルの推定と真値の間にしきい値δ未満の差異がある。
連続対称群Aの近似A ⊂ Gでは、予測が不変性から最大ϵだけ逸脱する。
Quotes
"Deep ensembles are an important tool which can straightforwardly boost the performance and estimate uncertainty of existing models."
"Experiments on several different datasets support our theoretical insights."
"In this work, using the theory of neural tangent kernels, we proved that infinitely wide ensembles show emergent equivariance when trained on augmented data."