Monte-Carlo-Ausfall - AWSPräskriptive Anleitung

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Monte-Carlo-Ausfall

Eine der beliebtesten Möglichkeiten, die Unsicherheit abzuschätzen, besteht darin, prädiktive Verteilungen mit bayesischen neuronalen Netzen abzuleiten. Um eine vorausschauende Verteilung zu bezeichnen, verwenden Sie:


    Prädiktive Verteilung

mit Ziel , Eingabe , und viele Trainingsbeispiele aus. Wenn Sie eine vorausschauende Verteilung erhalten, können Sie die Varianz untersuchen und Unsicherheit aufdecken. Eine Möglichkeit, eine prädiktive Verteilung zu erlernen, erfordert das Erlernen einer Verteilung über Funktionen oder gleichwertig eine Verteilung über die Parameter (dh die parametrische posteriore Verteilung aus.

Die Monte Carlo (MC) Ausfalltechnik (Gal und Ghahramani 2016) bietet eine skalierbare Möglichkeit, eine vorausschauende Verteilung zu erlernen. MC Dropout schaltet Neuronen zufällig in einem neuronalen Netzwerk aus, das das Netzwerk reguliert. Jede Dropout-Konfiguration entspricht einer anderen Probe als der ungefähren parametrischen posterioren Verteilung :


    MC Ausfall

woher entspricht einer Ausfallkonfiguration oder äquivalent einer Simulation ~, die vom ungefähren parametrischen Posterior abgetastet wird , wie in der folgenden Abbildung gezeigt. Probenahme von der ungefähren Hinterseite ermöglicht Monte-Carlo-Integration der Wahrscheinlichkeit des Modells, das die vorausschauende Verteilung aufdeckt, wie folgt:


    Prädiktive Verteilung im MC-Abbrecher

Der Einfachheit halber kann davon ausgegangen werden, dass die Wahrscheinlichkeit Gaußsch verteilt ist:


    Gaußsche verteilte Wahrscheinlichkeit

mit der Gaußschen Funktion angegeben durch den Mittelwert und Varianz Parameter, die durch Simulationen aus dem Monte-Carlo-Dropout ausgegeben werden BNN:


    MC Ausfall BNN

Die folgende Abbildung zeigt einen MC-Ausfall. Jede Dropout-Konfiguration ergibt eine andere Ausgabe, indem Neuronen bei jeder Vorwärtsausbreitung zufällig ausgeschaltet werden (graue Kreise) und ein (schwarze Kreise). Mehrere Vorwärtspässe mit unterschiedlichen Dropout-Konfigurationen ergeben eine vorausschauende Verteilung über den mittleren p (f (x, ø)).


    MC Ausfall

Die Anzahl der Forward-Pässe durch die Daten sollte quantitativ ausgewertet werden, aber 30-100 ist ein geeigneter Bereich, der berücksichtigt werden muss (Gal und Ghahramani 2016) enthalten.