简介:

深度学习被认为是一种无模型,端到端和黑盒子的方法。它需要大量数据样本,而不是目标领域的专家知识。因此,它没有指定决策的机制和原因。这方面被认为是深度学习的关键限制。本文介绍了另一种观点,即贝叶斯深度学习。深度学习可以应用在任何框架中,例如贝叶斯网络和强化学习。随后,专家可以将知识实现为图结构,加快学习速度,并获得目标域上的新知识。该框架被称为深度生成模型。相反,我们可以将贝叶斯建模方法直接引入深度学习。随后,有可能通过不确定性量化输出来探究关于其决策确定性的深度学习,并检测错误的决策或异常输入。使用上述方法,可以调整深度学习的“brightness”。

成为VIP会员查看完整内容
48

相关内容

贝叶斯方法可以用于学习神经网络权重的概率分布。将神经网络中的wi 和 b 由确定的值变成分布(distributions)。具体而言,为弥补反向传播的不足,通过在模型参数或模型输出上放置概率分布来估计。在权重上放置一个先验分布,然后尝试捕获这些权重在给定数据的情况下变化多少来模拟认知不确定性。该方法不是训练单个网络,而是训练网络集合,其中每个网络的权重来自共享的、已学习的概率分布。
【经典书】贝叶斯编程,378页pdf,Bayesian Programming
专知会员服务
241+阅读 · 2020年5月18日
用模型不确定性理解模型
论智
9+阅读 · 2018年9月5日
一文学习基于蒙特卡罗的强化学习方法(送书)
人工智能头条
7+阅读 · 2018年3月13日
A Survey on Bayesian Deep Learning
Arxiv
59+阅读 · 2020年7月2日
Arxiv
19+阅读 · 2018年10月25日
Parsimonious Bayesian deep networks
Arxiv
5+阅读 · 2018年10月17日
Arxiv
21+阅读 · 2018年2月14日
Arxiv
16+阅读 · 2018年2月7日
VIP会员
相关VIP内容
【经典书】贝叶斯编程,378页pdf,Bayesian Programming
专知会员服务
241+阅读 · 2020年5月18日
相关论文
微信扫码咨询专知VIP会员