Self-Supervised Laplace Approximation for Bayesian Uncertainty Quantification

작성자

Haebom

카테고리

Empty

저자

Julian Rodemann, Alexander Marquard, Thomas Augustin, Michele Caprio

💡 개요

본 연구는 모델 파라미터의 사후 분포 추정 대신, 예측 자체의 사후 분포를 직접 근사하는 새로운 방법론인 'Self-Supervised Laplace Approximation (SSLA)'을 제안합니다. 이는 셀프 트레이닝 개념에서 영감을 받아, 모델이 스스로 예측한 데이터에 대해 모델을 재학습시킴으로써 예측 불확실성을 정량화합니다. 이 접근법은 샘플링 없이 결정론적으로 사후 예측 분포를 근사하며, 다양한 사전 분포를 적용할 수 있어 민감도 분석도 가능합니다.

🔑 시사점 및 한계

•

기존의 라플라스 근사법보다 예측 보정(predictive calibration) 성능이 우수함을 보였습니다.

•

샘플링 기반의 베이지안 추론 방식에 비해 계산 효율성이 높습니다.

•

제안된 방법론은 베이지안 선형 모델부터 베이지안 신경망까지 다양한 회귀 모델에 적용 가능합니다.

•

더 복잡한 모델 구조나 다양한 유형의 데이터(예: 분류, 시계열)에 대한 적용 가능성 및 성능 검증이 추가적으로 필요할 수 있습니다.

PDF 보기

Made with Slashpage