ترجمه فارسی مقاله مدل‌های لایه آخر بیزی انعطاف‌پذیر با استفاده از نمونه‌های پیشین ضمنی و نمونه‌گیری پسین انتشار

چکیده

Bayesian Last Layer (BLL) models focus solely on uncertainty in the output layer of neural networks, demonstrating comparable performance to more complex Bayesian models. However, the use of Gaussian priors for last layer weights in Bayesian Last Layer (BLL) models limits their expressive capacity when faced with non-Gaussian, outlier-rich, or high-dimensional datasets. To address this shortfall, we introduce a novel approach that combines diffusion techniques and implicit priors for variational learning of Bayesian last layer weights. This method leverages implicit distributions for modeling weight priors in BLL, coupled with diffusion samplers for approximating true posterior predictions, thereby establishing a comprehensive Bayesian prior and posterior estimation strategy. By delivering an explicit and computationally efficient variational lower bound, our method aims to augment the expressive abilities of BLL models, enhancing model accuracy, calibration, and out-of-distribution detection proficiency. Through detailed exploration and experimental validation, We showcase the method’s potential for improving predictive accuracy and uncertainty quantification while ensuring computational efficiency.

چکیده به فارسی (ترجمه ماشینی)

مدل های آخرین لایه Bayesian (BLL) صرفاً بر عدم اطمینان در لایه خروجی شبکه های عصبی متمرکز شده و عملکرد قابل مقایسه ای را با مدلهای پیچیده تر بیزی نشان می دهد.با این حال ، استفاده از Priors Gaussian برای آخرین وزن لایه ها در مدل های آخرین لایه Bayesian (BLL) ظرفیت بیانگر آنها را در مواجهه با مجموعه داده های غیر گاوزسی ، غنی از دورتر یا با ابعاد بالا محدود می کند.برای پرداختن به این کمبود ، ما یک رویکرد جدید را معرفی می کنیم که ترکیبی از تکنیک های انتشار و مقدمات ضمنی برای یادگیری متنوع وزن آخرین لایه بیزی است.این روش توزیع های ضمنی را برای مدل سازی مقدمات وزن در BLL ، همراه با نمونه های انتشار برای تقریب پیش بینی های خلفی واقعی ، از این طریق یک استراتژی جامع تخمین قبلی و خلفی بیزی ایجاد می کند.با ارائه یک محدودیت پایین تر و محاسباتی کارآمد ، روش ما با هدف تقویت توانایی های بیانگر مدل های BLL ، افزایش دقت مدل ، کالیبراسیون و مهارت تشخیص خارج از توزیع است.از طریق اکتشاف دقیق و اعتبار سنجی تجربی ، ما پتانسیل روش را برای بهبود دقت پیش بینی کننده و کمیت عدم اطمینان در ضمن اطمینان از بهره وری محاسباتی به نمایش می گذاریم.