统计学 > 机器学习
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.