ベイズニューラルネットワークのための管状リーマンラプラス近似

この論文は、ベイズニューラルネットワークのための管状リーマンラプラス（TRL）近似を導入しています。深層学習モデルの複雑な形状を扱う際の、ユークリッドラプラス近似の限界に対処しています。TRLは、事後分布を確率的チューブとしてモデル化し、フィッシャー/ガウス-ニュートン計量を利用して不確実性を分離します。主な貢献は、曲率を暗黙的に推定するスケーラブルな再パラメータ化されたガウス近似です。この論文の重要性は、ベイズニューラルネットワークのキャリブレーションと信頼性を向上させる可能性にあり、Deep Ensemblesと同等の性能を、大幅に少ない計算コストで達成しています。