Effective Learning of Deep Neural Networks Ensembles

Глубокие нейронные сети стали стандартным алгоритмом для многих прикладных задачах машинного обучения, таких как классификация изображений и семантическая сегментация. Однако, глубокие нейронные сети склонны к переобучению и излишней уверенности из-за большого количества настраиваемых параметров. Известно, что ансамбли моделей хорошо справляются с данными проблемами. Однако, простейшее усреднение нескольких независимо обученных нейронных сетей требует дополнительных вычислительных затрат, а также больших затрат по памяти. Приближенный Байесовский вывод позволяет эффективно обучать и хранить ансамбли нейронных сетей. Однако, применительно к глубоким архитектурам они могут быть подвержены нестабильности во время обучения. В данной работе мы предлагаем Стохастическую Батч Нормализацию — новый масштабируемый, эффективный и стабильный метод метод ансамблирования глубоких нейронных сетей. Мы построили этот метод основываясь на предложенной вероятностной интерпретации Батч Нормализации. Мы продемонстрировали возможности предложенного метода на современных архитектурах (включая глубокие сверточные архитектуры такие как VGG-like и ResNet) для задач классификации MNIST и CIFAR10 и сравнили его с существующими методами ансамблирования.