استنتاج تنوعی بدون نمونهبرداری از شبکههای عصبی بیزی با انتشار پسپشتی واریانس
| عنوان | استنتاج تنوعی بدون نمونهبرداری از شبکههای عصبی بیزی با انتشار پسپشتی واریانس |
|---|---|
| نویسنده | Haußmann، M.، Hamprecht، F. A.، Kandemir، Melih |
| تاریخ انتشار: | 2019 |
| محل انتشار | - انجمن عدم قطعیت در هوش مصنوعی (AUAI) |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 2-s2.0-85084012503 |
| شماره ثبت | 3482b6a0-79c3-4955-9dbc-a336086f2de8 |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2019 |
| متن نمونه | ما یک فرمول جدید شبکه عصبی بیزی را پیشنهاد میکنیم که استنتاج متغیری را ارائه میکند که برای آن، کران پایین شواهد بهطور تحلیلی قابل حمل و نقل است، مشروط به تقریبی دقیق. ما با (i) تجزیه غیرخطیهای ReLU به محصول یک هویت و یک تابع گام Heaviside، (ب) معرفی یک مسیر جداگانه که انتظارات شبکه عصبی را از واریانس آن تجزیه میکند، به این قابلیت انتقال دست مییابیم. ما به طور رسمی نشان میدهیم که معرفی متغیرهای باینری پنهان جداگانه به فعالسازیها امکان نمایش احتمال شبکه عصبی را به عنوان زنجیرهای از عملیات خطی میدهد. انجام استنتاج متغیر بر روی این ساختار، محاسبات بدون نمونهبرداری از کران پایین شواهد را امکانپذیر میسازد که تقریبی مؤثرتر از نمونهگیری مونت کارلو و تکنیکهای مرتبط با CLT است. ما مدل را بر روی طیف وسیعی از وظایف رگرسیون و طبقهبندی در برابر جایگزینهای استنتاج BNN ارزیابی میکنیم، که عملکرد رقابتی یا بهبود یافته را نسبت به وضعیت فعلی فعلی نشان میدهد. |
