ベイズ的スキャッタリング：画像データに対する不確実性のための原理的なベースライン

Abstract

画像データに対する不確実性定量は、複雑な深層学習手法によって支配されていますが、この分野には解釈可能で、数学的に裏付けられたベースラインが欠けています。そこで本研究では、ベイズ散乱を提案し、このギャップを埋めます。これは、表形式データにおけるベイズ線形回帰が果たす役割に類似した、最初のステップのベースラインとして機能します。本手法は、ウェーブレット散乱変換（学習を伴わない深い特徴抽出器）と、単純な確率的ヘッドを組み合わせます。散乱特徴は、学習されたものではなく幾何学的な原理から導出されるため、学習分布への過学習を回避できます。これにより、大きな分布シフトがあっても妥当な不確実性推定を提供するのに役立ちます。多様なタスクで検証します。具体的には、施設間シフト下での医用画像、国から国へのシフト下での富分布（ウェルスマッピング）、分子特性のベイズ最適化です。これらの結果は、ベイズ散乱が複雑な不確実性定量手法に対する堅実なベースラインであることを示唆しています。