评估贝叶斯深度学习用于射电星系分类
深度神经网络(DNN)是各种计算机视觉任务的强大工具,但它们经常在可靠的不确定性量化方面遇到困难 - 这是实际应用的关键要求。贝叶斯神经网络(BNN)能够进行不确定性估计,但无法扩展到高度不稳定的大型 DNNs,这些 DNNs 难以训练。为了解决这个挑战,我们引入了适应性贝叶斯神经网络(ABNN),这是一种简单且可扩展的策略,可以在后期以最小的计算和训练开销的方式将 DNNs 无缝转换为 BNNs。ABNN 通过简单的 BNN 适应层(附加到归一化层)和对预训练模型进行少量微调步骤,保留了 DNNs 的主要预测性能,并增强了它们的不确定性量化能力。我们在多个图像分类和语义分割任务的数据集上进行了大量实验证明,ABNN 在不需要集成方法通常需要的计算预算的情况下实现了最先进的性能。
Dec, 2023
这篇研究论文探究了一种新型的贝叶斯深度学习,通过在网络结构上执行贝叶斯推断来加强深度网络的不确定性估计,并提出了一种有效的随机变分推断方法,以统一网络结构和权重的学习。
Nov, 2019
利用人工智能和机器学习的理论和算法,本研究探讨深度学习和贝叶斯网络预测模型在癌症诊断中的应用,构建了一种结合两者优势并最小化弱点的贝叶斯深度学习模型,并分析了该方法在医疗领域图像分类中的应用和准确性。
Mar, 2024
这项研究探索了贝叶斯神经网络的概念,并提出了一种新颖的架构来显著减少网络的存储空间复杂性。此外,我们介绍了一种能够高效处理不确定性的算法,确保强健的收敛值而不会陷入局部极小值的问题,特别是在目标函数缺乏完美凸性的情况下。
Mar, 2024
本文介绍了一种方法,通过对 BDL 组件之间的不确定性和相互作用进行考虑来捕捉整个系统的不确定性,实验表明,该方法既能够捕捉有用的不确定性估计,同时又略微提高了自主航空导航系统的性能。此外,我们还讨论了采用 BDL 构建可靠自主系统的好处、挑战和影响。
Jan, 2023
基于贝叶斯神经网络的深度学习模型用于预测由于数据噪音引起的不确定性。高度不确定的实例对模型性能有害。通过研究模型预测和不确定性的分布,可以识别一组病人以进行及时干预。
Jul, 2019
本研究提出了一种替代贝叶斯 NN 的简单实现方法,其能够产生高质量的预测不确定性估计,并在分类和回归数据集上进行了实验以证明这一点。此外,研究还评估了在已知和未知数据分布下的预测不确定性,并证明该方法能够在超出分布的样本上表现出更高的不确定性,同时在 ImageNet 上证明了该方法的可扩展性。
Dec, 2016