Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:2205.03194

帮助 | 高级搜索

统计学 > 机器学习

arXiv:2205.03194 (stat)
[提交于 2022年5月6日 ]

标题: 通过矩阵压缩的神经网络预测区间可扩展计算

标题: Scalable computation of prediction intervals for neural networks via matrix sketching

Authors:Alexander Fishkov, Maxim Panov
摘要: 在许多领域中,考虑现代神经网络预测中的不确定性是一项具有挑战性和重要的任务。 现有的不确定性估计算法需要修改模型架构和训练过程(例如,贝叶斯神经网络)或显著增加预测的计算成本,如基于集成的方法。 本工作提出了一种新算法,可以应用于给定的训练好的神经网络,并生成近似的预测区间。 该方法基于统计学中的经典delta方法,但通过使用矩阵抽样来近似雅可比矩阵,从而实现计算效率。 该算法在UCI存储库中的各种回归数据集上构建预测区间方面,与最先进的方法具有竞争力。
摘要: Accounting for the uncertainty in the predictions of modern neural networks is a challenging and important task in many domains. Existing algorithms for uncertainty estimation require modifying the model architecture and training procedure (e.g., Bayesian neural networks) or dramatically increase the computational cost of predictions such as approaches based on ensembling. This work proposes a new algorithm that can be applied to a given trained neural network and produces approximate prediction intervals. The method is based on the classical delta method in statistics but achieves computational efficiency by using matrix sketching to approximate the Jacobian matrix. The resulting algorithm is competitive with state-of-the-art approaches for constructing predictive intervals on various regression datasets from the UCI repository.
主题: 机器学习 (stat.ML) ; 机器学习 (cs.LG)
引用方式: arXiv:2205.03194 [stat.ML]
  (或者 arXiv:2205.03194v1 [stat.ML] 对于此版本)
  https://doi.org/10.48550/arXiv.2205.03194
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Alexander Fishkov [查看电子邮件]
[v1] 星期五, 2022 年 5 月 6 日 13:18:31 UTC (52 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.ML
< 上一篇   |   下一篇 >
新的 | 最近的 | 2022-05
切换浏览方式为:
cs
cs.LG
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号