Can Bayesian Neural Networks Explicitly Model Input Uncertainty?

要約

機械学習モデルへの入力には、関連するノイズや不確実性が含まれる場合がありますが、多くの場合、それらは無視され、モデル化されません。
ベイジアン ニューラル ネットワークとその近似が入力の不確実性を考慮できるかどうかは不明です。
この論文では、2 つの入力ベイジアン ニューラル ネットワーク (平均と標準偏差) を構築し、アンサンブル、MC ドロップアウト、フリップアウトなどのさまざまな方法にわたる入力不確実性推定の機能を評価します。
我々の結果は、近似ベイジアン NN の不確実性推定手法の一部のみ、特にアンサンブルとフリップアウトで入力の不確実性をモデル化できることを示しています。

要約(オリジナル)

Inputs to machine learning models can have associated noise or uncertainties, but they are often ignored and not modelled. It is unknown if Bayesian Neural Networks and their approximations are able to consider uncertainty in their inputs. In this paper we build a two input Bayesian Neural Network (mean and standard deviation) and evaluate its capabilities for input uncertainty estimation across different methods like Ensembles, MC-Dropout, and Flipout. Our results indicate that only some uncertainty estimation methods for approximate Bayesian NNs can model input uncertainty, in particular Ensembles and Flipout.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google