연구진은 복잡한 모델의 예측 불확실성을 정량화하는 데 어려움을 겪고 있어요. Bayesian 방법과 부트스트랩 리샘플링 방법은 신뢰성 있는 불확실성 추정치를 제공하지만, 현대 머신러닝 모델에는 비용이 너무 많이 들 수 있어요. Ribbon은 단일 모델을 기반으로 영향 함수 선형화를 사용하여 반복적인 모델 재학습을 대체하여 Bayesian 부트스트랩의 데이터 가중 구조를 유지하는 확장 가능한 근사 방법이에요.
Ribbon은 올바른 likelihood 명세 하에서 flat-prior Laplace 근사치와 점근적으로 동등하며, misspecification 하에서 robust sandwich 공분산을 복구해요. 합성 회귀, MNIST 분류, 캘리포니아 주택 벤치마크에서 Ribbon은 반복적인 모델 재학습을 피하면서 예측 성능과 교정 능력을 향상시켰어요.
연구진은 validation 데이터에서 튜닝할 수 있는 불확실성 스케일을 제공하는 calibrated Dirichlet-reweighting 패밀리를 제공하는 Ribbon을 선보였어요.