Tõenäoline prognoosimine Monte-Carlo Dropout võrgustikuga

Nimi
Novin Shahroudi
Kokkuvõte
Intelligentsete süsteemide integreerimine meie tööstusharudesse nõuab täpsemaid ja usaldusväärsemaid algoritme. Hiljutistel katsetel modelleerida ja selgitada sügava õppe ebakindlust on olnud palju saavutusi, astudes edasi nende mudelite usaldusväärsemaks muutmiseks ja vastavalt praktilisemaks. Samal ajal on tõenäosuse prognoosimine sarnane katse hinnata muutuja tulevast väärtust tõenäosusliku väljendusega pigem punkthinnanguna. Sel päeval, seal ei ole palju uuringuid või uuringu tõenäosuslik prognoose Bayesi sügavat õppimist, mistõttu on huvitav ala panuse. Me pidasime seda uuringut huvitavamaks, kui tegime selle reaalmaailma probleemiga ja seetõttu valisime analüütilise uuringu kõrval tuuleenergia prognoosi. Me kohaldada Monte-Carlo Dropout (MCDO), variant sügav Bayesi võrgu approximator koos võrgu võimeline hindamiseks dispersiooni. See prognoositav dispersioon, mis on toodetud mudeli poolt, on võrdne tõenäosusliku prognoosiga ja lisaks näitame, kuidas saada kõrgema kvaliteediga prognoose, mis on täpselt ja paremini kalibreeritud stsenaariumi prognoosimisega katseaegadel. Samuti näitame, et MCDO rakendamise tulemused olid kooskõlas teiste töödega. Veelgi enam, meie lähenemisviis osutus võimekaks luua kõrge kvaliteediga tõenäosusliku prognoosi, mis on pigem lihtne seadistus ja eriline kohtlemine. Antud magistritöö tulemused ei peegelda mitte ainult tõenäoliselt prognoosimist, vaid ka Bayesi sügavat õppimist. Meie katsed näitavad Bayesi sügava õppe rakendamist edukalt ning viitavad sellele, et need meetodid on tee, kus lubadusi parandada täpsust, mastaapsust ja tõlgendatavust.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Meelis Kull, Sebastian Haglund El Gaidi, Erik Ylipää
Kaitsmise aasta
2019
 
PDF