Количественная оценка степени неопределенности АИ с помощью общих активных подпространств Лапласа

arXiv: 2610.11738v1 Аннонс Тип: новое резюме. Надежная количественная оценка неопределенностей (UQ) имеет важное значение для развертывания нейронных сетей в научных и высокогабаритных прикладных программах, однако полное Байесовское заключение по параметрам сети является неосуществимым с расчетом. Мы предлагаем общее приближение Лапласа к нейронной сети UQ на основе небольшого числа направлений искажения данных. Начиная с общего байезийского заднекора, определяемого эмпирической потерей, мы составляем местное приближение Гаусса вокруг заранее подготовленного набора весов в этом активном подпространстве кривизны. Задние отклонения в сохраняемом подпространстве доступны в закрытой форме, а предыдущие расхождения калибруются с помощью эмпирической процедуры Bayes. Обобщённая байесовская формула позволяет нам сравнить два задних масштаба: стандартное Байезийское масштабирование, связанное с резюмируемой отрицательной вероятностью log и среднее увеличение потерь, при котором эмпирические потери нормализуются по количеству данных