关键词bayesian deep learning
搜索结果 - 66
- 混凝土辍学
使用连续松弛的 dropout 的变体方法提供更好的性能和更好的校准不确定性估计，从而使大的视觉模型和强化学习的 uncertainty estimates 自动调优，进而实现更快的实验周期，同时可以使代理人在观察到更多数据时动态地适应其不 - NIPS贝叶斯深度学习在计算机视觉中需要哪些不确定性？
本研究探讨了在计算机视觉任务中，使用贝叶斯深度学习模型对本质和表观不确定性进行建模的影响， 并提出了一种新的深度学习框架，将输入相关的本质不确定性与表观不确定性相结合。 我们还提出了一种新的损失函数，可解释为学习的衰减，将其应用于像素级语义 - 使用 Alpha 散度推断贝叶斯神经网络的 Dropout
该研究提出了 alpha-divergence 的一种新颖措施，与 dropout 结合使用，能够较准确地估计深度学习模型的不确定性。
- 深度贝叶斯主动学习图像数据
该研究结合贝叶斯深度学习与主动学习框架，在高维图像数据的任务中，证明了其在现有主动学习方法上的显着改进。研究表明，结合专业模型，如贝叶斯卷积神经网络，可以使主动学习技术在 MNIST 数据集和皮肤癌诊断任务中得到显著改进。
- 走向贝叶斯深度学习：框架与一些现有方法
介绍了一种称为贝叶斯深度学习的统一框架，将深度学习和贝叶斯模型紧密融合，以提高高层次推理的性能并增强深度学习的感知能力。讨论了它在推荐系统、主题模型和控制等领域的应用，以及与贝叶斯神经网络的关系和区别。
- 贝叶斯深度学习调查
综合人工智能系统需要不仅能够用不同的 ` 感官 '（例如视觉和听觉）感知环境，还需要推断世界的条件（甚至因果）关系及其对应的不确定性。本文综述了贝叶斯深度学习的基本原理及其在推荐系统、主题模型和控制等领域的应用，讨论了贝叶斯深度学习与神经网