不確実性推定のための深層学習におけるモンテカルロ・確率的深さ

arXiv cs.LG / 2026/4/15

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、安全性が重要な領域での深層ニューラルネットワークの導入に向けた不確実性定量化（UQ）を扱い、モンテカルロ・ドロップアウトを超えて確率的深さ（Stochastic Depth）へとモンテカルロ型のベイズ近似を拡張することに焦点を当てている。
モンテカルロ確率的深さ（MCSD）と、原理に基づく近似変分ベイズ推論との間の理論的なつながりを示す。
著者らは、COCOおよびCOCO-Oを用いて、最先端のオブジェクト検出器（YOLO、RT-DETR）に対するMCSDの包括的なベンチマークを初めて実施し、MCDおよびMC-DropBlock（MCDB）と比較している。
結果として、MCSDは高い競争力のあるmAPを示しつつ、MCDと比べて校正（ECE）および不確実性ランキング（AUARC）でわずかな改善を提供し、さらに計算効率も良好である。
全体として本研究は、残差バックボーンに依存する現代的アーキテクチャに対して、効率的なベイズ近似を行うための、理論的に裏付けられかつ実証済みの手法としてMCSDを位置付けている。