Meta（旧Facebook）は最近、GitHubでBean Machineという新しいプロジェクトをリリースしました。MetaはBean Machineを、人工知能モデルにおける不確実性の表現と学習を容易にする確率的プログラミングシステムと定義しています。

Bean Machinesは、ドメイン固有の確率モデルを開発し、自動化された不確実性を考慮した学習アルゴリズムを用いて、モデル内の観測されていない特性を自動的に学習するために使用できます。Meta氏によると、Bean Machinesは他の機械学習手法に比べて以下のような利点があります。

不確実性の推定:

• 予測は、確率分布という形で表される信頼性の高い不確実性の尺度を用いて定量化されます。アナリストは、システムの予測だけでなく、他の可能性のある予測の相対的な可能性も理解できます。

表現力:

• これにより、ソース コード内で豊富なモデルを簡単に直接コーディングできるようになり、モデルの構造を問題の構造と一致させることが可能になります。

説明可能性:

• モデルはドメインにマッチングされているため、中間学習特性を照会できます。つまり、ユーザーは「ブラックボックス」を利用できるだけでなく、特定の予測が行われた理由を説明できるため、モデル開発プロセスにおいて開発者の助けとなります。

ディープラーニングには、認識論的不確実性と偶然性不確実性の2種類の不確実性が存在します。認識論的不確実性は、不適切な学習データによってモデルが何を知らないかを表すものであり、偶然性不確実性は観測の自然なランダム性から生じます。認識論的不確実性は十分な学習サンプルがあれば減少しますが、より多くのデータを与えても偶然性不確実性は減少しません。

Bean Machineは予測を定量化し、確率分布という形で信頼性の高い不確実性の尺度を提供します。これにより、開発者はモデルの作成から学習戦略の高度な調整まで、Bean Machineをシンプルかつ直感的に使用できます。

Bean Machineは、MetaのPyTorch機械学習フレームワークと、カスタムC++バックエンドであるBean Machine Graph（BMG）上に構築されています。ご興味のある方は、プロジェクトページをご覧ください。ただし、Bean Machineは現在ベータ版であり、プロジェクトの進展に伴いAPIが変更される可能性があることにご注意ください。

この記事はOSCHINAから転載したものです。

記事タイトル: PyTorch 上に構築された Facebook の親会社が Bean Machine をオープンソース化

この記事のアドレス: https://www.oschina.net/news/174746/meta-releases-bean-machine