ベイジアンニューラルネットワークの研究その4(機械学習2024) | Monodeep Mukherjee 著 | 2024年3月

1. 制約付き軌道探索のためのガウス過程またはベイジアン ニューラル ネットワークによるアクティブ ラーニングのパフォーマンスの比較(arXiv)

著者 ： サフィラ・エイキンス、 フランシス・ジュー

要約 : 自律性が高まったロボットは、特に現場での探査やサンプリングなど、人間の探査者の代わりとなる宇宙探査能力を向上させます。 現在、科学的目的を達成するために人間がロボットを運転していますが、ロボットの位置によっては、人間のオペレーターとロボットの間で情報や運転コマンドを交換することにより、任務遂行に過度の遅れが生じる可能性があります。 科学的目的と探査戦略をコード化した自律型ロボットは、通信の遅延がなく、より迅速に任務を遂行できます。 アクティブ ラーニング アルゴリズムは、このインテリジェントな探索機能を提供しますが、基礎となるモデル構造によって、環境を正確に理解する際のアクティブ ラーニング アルゴリズムのパフォーマンスが異なります。 この論文では、惑星表面探査機のような軌道に制約のあるエージェントにエンコードされた探査戦略について、ガウス プロセスまたはベイジアン ニューラル ネットワークによって駆動されるアクティブ ラーニング アルゴリズム間のパフォーマンスの違いを調査します。 これら 2 つのアクティブ ラーニング戦略は、複数のデータセットに沿った対象変数の空間分布を予測するために、科学盲目的な戦略に対してシミュレーション環境でテストされました。 対象となるパフォーマンス メトリクスは、二乗平均平方根 (RMS) 誤差におけるモデルの精度、トレーニング時間、モデルの収束、収束までの総移動距離、および収束までの総サンプルです。 ガウス プロセスでエンコードされたアクティブ ラーニング戦略は、トレーニングに必要な計算量が少なく、より迅速に正確なモデルに収束し、より短い距離の軌道を提案します。ただし、ベイジアン ニューラル ネットワークが大規模なデータ領域でより正確なモデルを達成するいくつかの複雑な環境を除きます。より表現力豊かな機能ベースに。 この論文は、将来の宇宙ミッションでいずれかの探査戦略をいつ、どのように実施するかについてのアドバイスで締めくくられています。

2.ベイジアン ニューラル ネットワークの入門書: レビューと議論 (arXiv)

著者 ： ジュリアン・アーベル、 コンスタンティノス・ピタス、 マリア・ウラジミロワ、 ヴィンセント・フォーチュン

要約 : ニューラル ネットワークは、さまざまな問題領域にわたって目覚ましいパフォーマンスを達成していますが、予測の過信、解釈可能性の欠如、敵対的攻撃に対する脆弱性などの固有の制限によって、その広範な適用が妨げられています。 これらの課題に対処するために、従来のニューラル ネットワークの強力な拡張としてベイジアン ニューラル ネットワーク (BNN) が登場し、不確実性の推定を予測機能に統合しています。 この包括的な入門書は、ニューラル ネットワークとベイズ推論の基本概念を体系的に紹介し、BNN 開発のためのそれらの相乗的統合を解明します。 対象者は、ベイズ手法の潜在的な背景を持つがディープ ラーニングの専門知識を持たない統計学者、およびディープ ニューラル ネットワークに精通しているがベイズ統計への経験が限られている機械学習者で構成されます。 一般的に使用される事前分布の概要を示し、それらがモデルの動作とパフォーマンスに与える影響を調べます。 さらに、BNN でのトレーニングと推論に関連する実践的な考慮事項についても詳しく説明します。 さらに、進行中の議論や論争の存在を認識し、BNN 研究の領域内の高度なトピックを探求します。 この入門書は、最先端の開発に関する洞察を提供することで、研究者や実務家に BNN の強固な基礎を提供するだけでなく、このダイナミックな分野の潜在的な応用例も明らかにします。 貴重なリソースとして、BNN とその有望な見通しについての理解を促進し、知識とイノベーションの追求におけるさらなる進歩を促進します。