Jakie są zalety korzystania z bayesowskiej sieci neuronowej


12

Ostatnio przeczytałem kilka artykułów na temat bayesowskiej sieci neuronowej (BNN) [Neal, 1992] , [Neal, 2012] , która podaje zależność prawdopodobieństwa między wejściem a wyjściem w sieci neuronowej. Trenowanie takiej sieci neuronowej odbywa się za pośrednictwem MCMC, która różni się od tradycyjnego algorytmu propagacji wstecznej.

Moje pytanie brzmi: Jaka jest zaleta korzystania z takiej sieci neuronowej? Mówiąc dokładniej, czy możesz podać kilka przykładów, które lepiej pasują do BNN zamiast NN?

Odpowiedzi:


9

Bayesowskie sieci neuronowe są przydatne do rozwiązywania problemów w domenach, w których danych jest mało, jako sposób na zapobieganie przeuczeniu. W takich sytuacjach często pokonują wszystkie inne metody. Przykładami zastosowań są biologia molekularna ( na przykład niniejszy artykuł ) i diagnoza medyczna (obszary, w których dane często pochodzą z kosztownej i trudnej pracy emerytalnej). W rzeczywistości sieci bayesowskie są niezwykle przydatne i mogą uzyskiwać lepsze wyniki dla wielu zadań, ale niezwykle trudno jest skalować je do dużych problemów.


2
Czy możesz wyjaśnić, dlaczego sieci bayesowskie są trudne do skalowania?
Ellis Valentiner,

6

Jedną z zalet BNN w porównaniu z NN jest to, że możesz automatycznie obliczyć błąd związany z Twoimi przewidywaniami, mając do czynienia z danymi nieznanych celów. Dzięki BNN dokonujemy teraz wnioskowania bayesowskiego. Zdefiniujmy naszą prognozę BNN jako , gdzie jest funkcją NN, to twoje dane wejściowe , są parametrami NN, a x, t są wejściowymi i docelowymi wartościami treningowymi. Powinno to być zgodne ze składnią używaną przez Neala w linkach dostarczonych przez @forecaster. Następnie możemy obliczyć standardowe odchylenie tylnego rozkładu predykcyjnego, którego naiwnie użyłbym jako dokładności prognozy:f¯(x|x,t)=f(x,ω)p(ω|x,t)dωfxωσ(x)=[f(x,ω)f¯(x|x,t)]2p(ω|x,t)dω


1
To interesujący dodatek do rozmowy, ale według naszych standardów jest nieco krótki. Czy mógłbyś trochę rozwinąć i ewentualnie zamieścić odniesienie?
Sycorax mówi Przywróć Monikę

Pewnie. Dzięki BNN dokonujemy teraz wnioskowania bayesowskiego. Zdefiniujmy naszą prognozę BNN jako , gdzie f jest NN funkcja, x 'to twoje dane wejściowe, to parametry NN, a to dane wejściowe i cele treningowe. Powinno to być zgodne ze składnią używaną przez Neala w linkach dostarczonych przez @forecaster. Następnie możemy obliczyć standardowe odchylenie tylnego rozkładu predykcyjnego, którego naiwnie użyłbym jako dokładności prognozy:f¯(x|x,t)=f(x,ω)p(ω|x,t)dωωx,tσ(x)=([f(x,ω)f¯(x|x,t)]2p(ω|x,t)dω)
Michelle K

Edytuj to w swojej odpowiedzi.
Sycorax mówi Przywróć Monikę
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.