贝叶斯神经网络输出分布首次被完整包住:非线性抽象域把区间域的总变差距离最多压低约950倍
贝叶斯神经网络把权重当作分布,但此前要么靠采样、要么只传播期望和熵,无法对完整输出分布给出可靠保证。这项工作建立边际收集语义,并用指数仿射上下界配合支撑集划分表示概率测度,构造出可组合的抽象变换器,在多个回归基准上给出完整输出分布的可靠包络。与区间抽象域相比,总变差距离最多改善约950倍,代价是运行时间有所增加。
贝叶斯神经网络把权重当作分布,但此前要么靠采样、要么只传播期望和熵,无法对完整输出分布给出可靠保证。这项工作建立边际收集语义,并用指数仿射上下界配合支撑集划分表示概率测度,构造出可组合的抽象变换器,在多个回归基准上给出完整输出分布的可靠包络。与区间抽象域相比,总变差距离最多改善约950倍,代价是运行时间有所增加。
已读完全部报道