یادگیری عمیق شواهدی برای تعیین کمیت عدم قطعیت طبقه بندی

عنوان یادگیری عمیق شواهدی برای تعیین کمیت عدم قطعیت طبقه بندی
نویسنده شنسوی، مورات، کاپلان، ال.، کاندمیر، م.
تاریخ انتشار: 2018
محل انتشار - بنیاد سیستم های پردازش اطلاعات عصبی
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 1049-5258
شماره ثبت 3ca431f4-f9b7-42bd-8219-df874f6b6448
محل کتابخانه علوم کامپیوتر
تاریخ 2018
یادداشت‌ها وزارت دفاع ایالات متحده آمریکا آزمایشگاه تحقیقاتی ارتش ایالات متحده (ARL) ; وزارت دفاع بریتانیا
متن نمونه شبکه‌های عصبی قطعی نشان داده‌اند که پیش‌بینی‌کننده‌های مؤثر در طیف وسیعی از مشکلات یادگیری ماشین را یاد می‌گیرند. با این حال، از آنجایی که رویکرد استاندارد آموزش شبکه برای به حداقل رساندن ضرر پیش‌بینی است، مدل حاصل نسبت به اطمینان پیش‌بینی خود ناآگاه باقی می‌ماند. به طور متعامد به شبکه‌های عصبی بیزی که به طور غیرمستقیم عدم قطعیت پیش‌بینی را از طریق عدم قطعیت وزن استنتاج می‌کنند، ما مدل‌سازی صریح آن را با استفاده از نظریه منطق ذهنی پیشنهاد می‌کنیم. با قرار دادن توزیع دیریکله بر روی احتمالات کلاس، پیش‌بینی‌های یک شبکه عصبی را به‌عنوان نظرات ذهنی در نظر می‌گیریم و تابعی را می‌آموزیم که شواهد منتهی به این نظرات را توسط یک شبکه عصبی قطعی از داده‌ها جمع‌آوری می‌کند. پیش‌بینی‌کننده حاصل برای یک مسئله طبقه‌بندی چند طبقه، توزیع دیریکله دیگری است که پارامترهای آن توسط خروجی پیوسته یک شبکه عصبی تنظیم می‌شوند. ما یک تحلیل اولیه در مورد اینکه چگونه ویژگی‌های تابع ضرر جدید ما باعث بهبود تخمین عدم قطعیت می‌شود، ارائه می‌کنیم. مشاهده می کنیم که روش ما به موفقیت بی سابقه ای در تشخیص پرس و جوهای خارج از توزیع و استقامت در برابر اغتشاشات متخاصم دست می یابد.
Cilt 31
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

یادگیری عمیق شواهدی برای تعیین کمیت عدم قطعیت طبقه بندی

نویسنده شنسوی، مورات، کاپلان، ال.، کاندمیر، م.
تاریخ انتشار 2018
محل انتشار - بنیاد سیستم های پردازش اطلاعات عصبی
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 1049-5258
شماره ثبت 3ca431f4-f9b7-42bd-8219-df874f6b6448
محل کتابخانه علوم کامپیوتر
تاریخ 2018
یادداشت‌ها وزارت دفاع ایالات متحده آمریکا آزمایشگاه تحقیقاتی ارتش ایالات متحده (ARL) ; وزارت دفاع بریتانیا
متن نمونه شبکه‌های عصبی قطعی نشان داده‌اند که پیش‌بینی‌کننده‌های مؤثر در طیف وسیعی از مشکلات یادگیری ماشین را یاد می‌گیرند. با این حال، از آنجایی که رویکرد استاندارد آموزش شبکه برای به حداقل رساندن ضرر پیش‌بینی است، مدل حاصل نسبت به اطمینان پیش‌بینی خود ناآگاه باقی می‌ماند. به طور متعامد به شبکه‌های عصبی بیزی که به طور غیرمستقیم عدم قطعیت پیش‌بینی را از طریق عدم قطعیت وزن استنتاج می‌کنند، ما مدل‌سازی صریح آن را با استفاده از نظریه منطق ذهنی پیشنهاد می‌کنیم. با قرار دادن توزیع دیریکله بر روی احتمالات کلاس، پیش‌بینی‌های یک شبکه عصبی را به‌عنوان نظرات ذهنی در نظر می‌گیریم و تابعی را می‌آموزیم که شواهد منتهی به این نظرات را توسط یک شبکه عصبی قطعی از داده‌ها جمع‌آوری می‌کند. پیش‌بینی‌کننده حاصل برای یک مسئله طبقه‌بندی چند طبقه، توزیع دیریکله دیگری است که پارامترهای آن توسط خروجی پیوسته یک شبکه عصبی تنظیم می‌شوند. ما یک تحلیل اولیه در مورد اینکه چگونه ویژگی‌های تابع ضرر جدید ما باعث بهبود تخمین عدم قطعیت می‌شود، ارائه می‌کنیم. مشاهده می کنیم که روش ما به موفقیت بی سابقه ای در تشخیص پرس و جوهای خارج از توزیع و استقامت در برابر اغتشاشات متخاصم دست می یابد.
Cilt 31
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید