論文の概要: Active learning for level set estimation under input uncertainty and its extensions

• arxiv url: http://arxiv.org/abs/1909.06064v2
• Date: Tue, 29 Jul 2025 00:43:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-03 20:19:02.797968
• Title: Active learning for level set estimation under input uncertainty and its extensions
• Title（参考訳）: 入力不確実性下におけるレベルセット推定のためのアクティブラーニングとその拡張
• Authors: Yu Inatsu, Masayuki Karasuyama, Keiichi Inoue, Ichiro Takeuchi,
• Abstract要約: 本稿では,LSE問題における入力不確実性を扱うための基礎的枠組みを提案する。 次に、適切な理論的保証を持つ効率的な方法を提案する。 提案手法を人工的および実データに適用し,適用性と有効性を示す。
• 参考スコア（独自算出の注目度）: 20.106398280699594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Testing under what conditions the product satisfies the desired properties is a fundamental problem in manufacturing industry. If the condition and the property are respectively regarded as the input and the output of a black-box function, this task can be interpreted as the problem called Level Set Estimation (LSE) -- the problem of identifying input regions such that the function value is above (or below) a threshold. Although various methods for LSE problems have been developed so far, there are still many issues to be solved for their practical usage. As one of such issues, we consider the case where the input conditions cannot be controlled precisely, i.e., LSE problems under input uncertainty. We introduce a basic framework for handling input uncertainty in LSE problem, and then propose efficient methods with proper theoretical guarantees. The proposed methods and theories can be generally applied to a variety of challenges related to LSE under input uncertainty such as cost-dependent input uncertainties and unknown input uncertainties. We apply the proposed methods to artificial and real data to demonstrate the applicability and effectiveness.
• Abstract（参考訳）: 製品が望む特性を満たす条件下でのテストは、製造業における根本的な問題である。 条件と特性をそれぞれブラックボックス関数の入力と出力とみなす場合、このタスクはレベルセット推定(LSE)と呼ばれる問題と解釈できる。 LSE問題に対する様々な手法が開発されているが、実用上はまだ多くの課題が解決されている。 このような問題の1つとして、入力条件を正確に制御できない場合、すなわち入力不確実性の下でのLSE問題を考察する。 LSE問題における入力不確実性を扱うための基本的枠組みを導入し、適切な理論的保証を持つ効率的な手法を提案する。 提案手法と理論は、コスト依存の入力不確実性や未知の入力不確実性などの入力不確実性の下で、LSEに関連する様々な課題に一般的に適用することができる。 提案手法を人工的および実データに適用し,適用性と有効性を示す。

関連論文リスト

• Capacity-Constrained Continual Learning [64.70016365121081]
  本稿では,限られた能力を持つエージェントが資源を最適な性能に割り当てる方法について検討する。 容量制約付き線形四元数-ガウス列予測問題に対する解法を導出する。 サブプロブレムの集合に分解できる問題に対しては、定常状態においてこれらのサブプロブレム全体にわたってキャパシティを最適に割り当てる方法についても示す。
  論文  参考訳（メタデータ） (2025-07-29T03:47:22Z)
• Uncertainty Quantification and Confidence Calibration in Large Language Models: A Survey [11.737403011836532]
  LLM(Large Language Models)は、医療、法律、交通といった高度な分野において、テキスト生成、推論、意思決定に優れる。 不確実性定量化(UQ)は、アウトプットの信頼度を推定することで信頼性を高め、リスク軽減と選択的予測を可能にする。 計算効率と不確実性次元に基づいてUQ手法を分類する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2025-03-20T05:04:29Z)
• The Order Effect: Investigating Prompt Sensitivity to Input Order in LLMs [19.798249518847694]
  大規模言語モデル(LLM)は多様なアプリケーションに不可欠なものである。 信頼性に影響を及ぼす重要な問題は、入力アレンジメントのわずかな変化が不整合または偏りの出力につながる可能性がある、順序感度である。 本稿では,ユーザから内部成分を隠蔽したLCMの順序感度について検討する。
  論文  参考訳（メタデータ） (2025-02-06T15:14:02Z)
• A Structured Review of Literature on Uncertainty in Machine Learning & Deep Learning [0.8667724053232616]
  我々は、リスクに敏感なアプリケーション、すなわち不確実性を理解し、定量化するアプリケーションにおいて、機械学習を適応するための重要な関心事に焦点を当てる。 本稿では,このトピックを構造化した方法でアプローチし,不確実性がMLプロセスに封入されているというさまざまな側面の文献をレビューする。 このレビューの主な貢献は、不確実性議論の範囲を広げ、Deep Learningにおける不確実性定量化手法のレビューを更新することである。
  論文  参考訳（メタデータ） (2024-06-01T07:17:38Z)
• Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
  大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。 本稿では,LLMのための不確実性分解フレームワークについて述べる。 提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
  論文  参考訳（メタデータ） (2023-11-15T05:58:35Z)
• Uncertainty in Natural Language Processing: Sources, Quantification, and Applications [56.130945359053776]
  NLP分野における不確実性関連作業の総合的なレビューを行う。 まず、自然言語の不確実性の原因を、入力、システム、出力の3つのタイプに分類する。 我々は,NLPにおける不確実性推定の課題について論じ,今後の方向性について論じる。
  論文  参考訳（メタデータ） (2023-06-05T06:46:53Z)
• Uncertainty Injection: A Deep Learning Method for Robust Optimization [16.13344685457395]
  本稿では,頑健な最適化問題を解くために,ディープラーニングモデルを訓練するための不確実性注入のパラダイムを提案する。 我々は,無線通信を問題パラメータに不確実性が存在するアプリケーション分野として認識する。 提案手法の有効性を2つの応用例で示す。
  論文  参考訳（メタデータ） (2023-02-23T19:59:24Z)
• The #DNN-Verification Problem: Counting Unsafe Inputs for Deep Neural Networks [94.63547069706459]
  #DNN-Verification問題は、DNNの入力構成の数を数えることによって安全性に反する結果となる。 違反の正確な数を返す新しい手法を提案する。 安全クリティカルなベンチマークのセットに関する実験結果を示す。
  論文  参考訳（メタデータ） (2023-01-17T18:32:01Z)
• A Learning-Based Optimal Uncertainty Quantification Method and Its Application to Ballistic Impact Problems [1.713291434132985]
  本稿では、入力(または事前)測度が部分的に不完全であるシステムに対する最適(最大および無限)不確実性境界について述べる。 本研究では,不確実性最適化問題に対する学習基盤の枠組みを実証する。 本手法は,工学的実践における性能証明と安全性のためのマップ構築に有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-28T14:30:53Z)
• Stability Analysis of Unfolded WMMSE for Power Allocation [80.71751088398209]
  電力割り当ては、無線ネットワークにおける基本的な問題の1つである。 これらのアルゴリズムの出力電力配分は入力摂動に関して安定であることが不可欠である。 本稿では,グラフニューラルネットワークを利用した最新のアルゴリズムであるUWMMSEに着目した。
  論文  参考訳（メタデータ） (2021-10-14T15:44:19Z)
• High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
  本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。 各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。 合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-12-17T23:21:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。