베이지안 신경망이란 무엇입니까? 배경, 기본이념 및 기능

소개

이 기사에서는 베이지안 신경망의 기본 개념을 다룹니다. 베이지안 신경망의 이 특정 개념은 보이지 않는 데이터가 신경망에 입력되어 불확실성을 생성할 때 작동합니다.

Neural Network Architectures에서 누락된 예측의 이러한 불확실성의 척도는 Bayesian Neural Nets가 설명하는 것입니다. 과적합을 해결하지만 불확실성 및 확률 분포 추정과 같은 추가 기능에도 도움이 됩니다. 신경망의 개념도 설명했습니다.

읽기: 지도 학습의 유형

베이지안 신경망의 배경

지난 10년 동안 가장 성능이 좋은 인공 지능 시스템 중 하나를 비교하면 이 모든 기계에는 딥 러닝이라는 정교한 기술을 통합하는 한 가지 공통점이 있습니다.

딥 러닝의 개념을 열어보면 약 70년 이상 일관되지 않은 경향을 보였던 신경망이라는 인공 지능에 대한 비교적 새로운 접근 방식을 허용한 이름이라는 것을 알 수 있습니다. 예를 들어, Neural Nets의 개념은 얽힌 와이어와 같이 조밀한 메쉬로 연결된 수백만 개의 처리 노드로 구성된 인간의 뇌에 모호하게 기반을 두고 있음이 관찰됩니다.

따라서 베이지안 신경망은 제공되는 훈련 데이터의 불확실성 문제를 편리하게 처리합니다.

베이지안 신경망의 기본 아이디어

Neural Nets로 더 널리 알려진 Neural Networks는 머신 러닝의 효과적인 방법으로, 컴퓨터가 학습 예제를 분석하여 작업을 학습, 분석 및 수행합니다. 사용된 예는 대부분 사전에 손으로 레이블이 지정됩니다. 예를 들어 물체 인식 시스템을 사용하십시오.

자동차, 자동차, 집 또는 모든 사물의 레이블이 지정된 이미지에 대한 정보가 제공되거나 제공됩니다. 그런 다음 다른 특정 레이블과 일관되게 상관되어야 하는 데이터로 삽입된 시각적 패턴의 논리적 추론을 공식화합니다.

신경망으로 작업하는 아키텍트는 데이터에서 매우 복잡한 입력 및 출력 매핑을 분해하고 학습하는 데 성공했습니다. 그럼에도 불구하고 동일한 입력 및 출력 매핑 시스템에 대한 기본 지식은 일반적으로 대부분의 상황, 특히 특정 모델에 대한 믿음의 통합이 필요하거나 데이터가 제한된 상황에서 대부분의 상황을 충족시키지 못합니다.

베이지안 신경망은 대부분의 상황에서 분포로 표현되는 기준 또는 매개변수이며 일반적으로 결정적 값과 비교하여 베이지안 추론의 개념을 통해 학습됩니다. 그들은 데이터에서 복잡한 비선형 함수를 소화한 다음 불확실성을 동시에 표현할 수 있는 내부 능력을 가지고 있습니다. 따라서 더 안정적이고 유능한 AI를 수집하고 구축하기 위한 추구에서 더 높은 역할을 하게 되었습니다.

반드시 읽어야 할 것: 기계 학습의 회귀 모델 유형

베이지안 신경망이란 무엇입니까?

따라서 베이지안 신경망은 이전 추론에 대한 표준 네트워크의 확장을 의미합니다. 베이지안 신경망은 불확실성이 높고 절대적인 특정 설정에서 매우 효과적인 것으로 입증되었습니다. 이러한 상황은 즉 의사 결정 시스템, 상대적으로 낮은 데이터 설정 또는 모든 종류의 모델 기반 학습입니다.

심층 신경망(DNN)은 데이터 세트에 대한 사전 경험 없이 주어진 데이터로 논리적 추론을 공식화하는 경향이 있습니다. 결과적으로 그들은 본질적으로 비선형적인 데이터에 대해 매우 잘 수행하므로 유일한 훈련 목적으로 많은 양의 데이터가 필요합니다. 더 많은 정보가 로드되면서 표면이 과적합되는 문제가 발생합니다.

현재 상황에서 발생하는 난관은 이전에 관찰된 바와 같이 신경망이 훈련 목적으로만 제공되는 데이터에서는 예외적으로 잘 작동하지만 새로운 외부 데이터가 시스템에 제공될 때 성능이 저하되는 경향이 있다는 것입니다. 이로 인해 Net은 훈련 데이터 자체의 특정 불확실성에 대해 맹목적으로 되어 예측에 지나치게 자신감을 갖게 되어 오해의 소지가 있습니다. 따라서 이러한 오류를 없애기 위해 베이지안 신경망이 사용됩니다.

베이지안 신경망(BNN)은 어떻게 작동합니까?

베이지안 신경망의 주요 목적과 아이디어는 모든 단위가 가중치와 편향을 포함하는 확률 분포와 연관되어 있다는 것입니다.

그것들은 접근할 때마다 완전히 다른 값을 제공하는 랜덤 변수로 알려져 있습니다.

예를 들어 X가 변수이고 완전 확률 변수인 경우 정규 분포를 나타냅니다. X에 액세스할 때마다 X의 분기 값이 제공됩니다. X 값이 검색될 때마다 발산 값을 얻는 프로세스를 샘플링이라고 합니다. 모든 표본에서 파생된 값은 확률 분포에 따라 다릅니다.

확률 분포의 범위가 증가함에 따라 불확실성은 정비례합니다. 결과적으로도 상승합니다. 일반적으로 신경망에서 모든 계층은 일반적으로 출력을 설명하는 편향과 함께 고정된 가중치를 가져야 합니다. 반면에 베이지안 네트워크는 계층 자체에 첨부될 확률 분포를 갖습니다.

매번 새로운 가중치 세트와 편향을 사용하여 다중 정방향 패스가 수행됩니다. 따라서 분류 문제를 처리하는 데 사용됩니다. 출력은 전진 방식으로 만들어진 모든 패스에 대해 제공됩니다. 입력 이미지로 업로드된 데이터는 불확실성을 높이는 요인입니다. 이 경우 출력 클래스에 대해 그물에서 이전에 접하지 못한 이미지입니다.

결론

베이지안 신경망은 불확실성을 통합하고 처리하는 데 있어 축복이라는 결론을 내리는 것이 안전합니다. 그들은 또한 예측 성능을 향상시키기 위해 나타났습니다.

베이지안 신경망 또는 확률 기반 모델의 개발에서 발생하는 주요 기본 문제는 이전 분포와 각각의 기대치에 대한 다루기 힘든 계산입니다. 더욱이, 과적합의 문제가 베이지안 네트워크에 의해 매우 강력하게 처리된다는 것은 예외적으로 자명합니다.

기계 학습에 대해 자세히 알아보려면 IIIT-B 및 upGrad의 기계 학습 및 AI PG 디플로마를 확인하세요. 이 PG 디플로마는 일하는 전문가를 위해 설계되었으며 450시간 이상의 엄격한 교육, 30개 이상의 사례 연구 및 과제, IIIT- B 동문 자격, 5개 이상의 실용적인 실습 캡스톤 프로젝트 및 최고의 기업과의 취업 지원.