Possibilistic Predictive Uncertainty for Deep Learning
Author
- Haebom
Category
Empty
저자
Yao Ni, Jeremie Houssineau, Yew Soon Ong, Piotr Koniusz
💡 개요
본 논문은 딥러닝 모델의 보지 못한 입력에 대한 과신 문제를 해결하기 위해 가능성 이론에 기반한 새로운 불확실성 모델링 프레임워크인 DAPPr (Dirichlet-approximated possibilistic posterior predictions)를 제안합니다. DAPPr는 매개변수 공간에서의 가능성 후방 분포를 정의하고 이를 예측 공간으로 투영하여, 학습 가능한 디리클레 가능성 함수로 근사합니다. 이 방식은 계산 효율성을 유지하면서도 기존의 2차 예측자들보다 경쟁력 있거나 우수한 불확실성 정량화 성능을 보여줍니다.
🔑 시사점 및 한계
•
딥러닝 모델의 과신 문제를 해결하기 위한 가능성 이론 기반의 새로운 불확실성 모델링 프레임워크를 제시합니다.
•
계산 효율성과 원리적 근거를 동시에 갖춘 DAPPr는 기존 방법론의 한계를 극복할 수 있는 잠재력을 보여줍니다.
•
제안된 DAPPr 프레임워크의 복잡한 모델이나 특정 도메인에서의 성능 확장 가능성에 대한 추가적인 연구가 필요합니다.
