Robust Bayesian Transfer Learning between Autoregressive Inference Tasks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F21%3A00549008" target="_blank" >RIV/67985556:_____/21:00549008 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/ISSC52156.2021.9467857" target="_blank" >http://dx.doi.org/10.1109/ISSC52156.2021.9467857</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ISSC52156.2021.9467857" target="_blank" >10.1109/ISSC52156.2021.9467857</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Robust Bayesian Transfer Learning between Autoregressive Inference Tasks

Popis výsledku v původním jazyce

Bayesian transfer learning typically relies on a complete stochastic dependence specification between source and target learners. We advocate a solution to the Bayesian transfer learning paradigm which adopts Fully Probabilistic Design (FPD) to search for an optimal choice of distribution constrained by probabilistic source knowledge. Using this optimal decision-making strategy, an algorithm for accepting source knowledge is identified but is found to be effectively insensitive to source uncertainty. Therefore, we propose an adaptation of the FPD framework which results in a robust transfer learning algorithm.Experimental evidence gathered via synthetic data shows enhanced performance when employing both optimal algorithms in a low source data predictor variance regime. In a high source data predictor variance setting, only our adapted FPD-optimal algorithm achieves robustness.

Název v anglickém jazyce

Robust Bayesian Transfer Learning between Autoregressive Inference Tasks

Popis výsledku anglicky

Bayesian transfer learning typically relies on a complete stochastic dependence specification between source and target learners. We advocate a solution to the Bayesian transfer learning paradigm which adopts Fully Probabilistic Design (FPD) to search for an optimal choice of distribution constrained by probabilistic source knowledge. Using this optimal decision-making strategy, an algorithm for accepting source knowledge is identified but is found to be effectively insensitive to source uncertainty. Therefore, we propose an adaptation of the FPD framework which results in a robust transfer learning algorithm.Experimental evidence gathered via synthetic data shows enhanced performance when employing both optimal algorithms in a low source data predictor variance regime. In a high source data predictor variance setting, only our adapted FPD-optimal algorithm achieves robustness.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

<a href="/cs/project/GA18-15970S" target="_blank" >GA18-15970S: Optimální zpracování externí stochastické znalosti vyjádřené pomocí pravděpodobnostních distribucí</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 32nd Irish Signals and Systems Conference (ISSC) 2021

ISBN

978-1-6654-3429-4

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

9467857

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Athlone

Datum konání akce

10. 6. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—