ترجمه فارسی مقاله کالیبره کردن یادگیری ماشین مولد بیزی برای تقویت بیزی

چکیده

Recently, combinations of generative and Bayesian machine learning have been introduced in particle physics for both fast detector simulation and inference tasks. These neural networks aim to quantify the uncertainty on the generated distribution originating from limited training statistics. The interpretation of a distribution-wide uncertainty however remains ill-defined. We show a clear scheme for quantifying the calibration of Bayesian generative machine learning models. For a Continuous Normalizing Flow applied to a low-dimensional toy example, we evaluate the calibration of Bayesian uncertainties from either a mean-field Gaussian weight posterior, or Monte Carlo sampling network weights, to gauge their behaviour on unsteady distribution edges. Well calibrated uncertainties can then be used to roughly estimate the number of uncorrelated truth samples that are equivalent to the generated sample and clearly indicate data amplification for smooth features of the distribution.

چکیده به فارسی (ترجمه ماشینی)

به تازگی ، ترکیبی از یادگیری ماشین مولد و بیزی در فیزیک ذرات برای هر دو شبیه سازی آشکارساز سریع و کارهای استنتاج معرفی شده است.این شبکه های عصبی با هدف تعیین کمیت عدم اطمینان در توزیع تولید شده ناشی از آمار آموزش محدود.تفسیر عدم قطعیت توزیع گسترده اما همچنان تعریف نشده است.ما یک طرح روشنی برای تعیین کمیت کالیبراسیون مدلهای یادگیری ماشین مولد بیزی نشان می دهیم.برای یک جریان عادی سازی مداوم که برای یک مثال اسباب بازی کم بعدی اعمال می شود ، ما کالیبراسیون عدم قطعیت های بیزی را از یک خلفی وزن گاوسی میانگین یا وزن شبکه نمونه برداری مونت کارلو ارزیابی می کنیم تا رفتار آنها را در لبه های توزیع ناپایدار ارزیابی کنیم.از عدم قطعیت های خوب کالیبره شده می توان تقریباً برای برآورد تعداد نمونه های حقیقت نامربوط که معادل نمونه تولید شده است ، تخمین زده شود و به وضوح نشان دهنده تقویت داده ها برای ویژگی های صاف توزیع است.