論文の概要: Temporal Probability Calibration
- arxiv url: http://arxiv.org/abs/2002.02644v2
- Date: Sat, 15 Feb 2020 02:43:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 03:41:17.788854
- Title: Temporal Probability Calibration
- Title(参考訳): 時間的確率キャリブレーション
- Authors: Tim Leathart and Maksymilian Polaczuk
- Abstract要約: 本研究では,データ列からクラス確率推定を生成するモデルの校正について検討し,不完全列から予測が得られた場合に着目した。
従来のキャリブレーション手法は,この課題に対して十分に表現できないことを示し,入力シーケンスの長さに応じてキャリブレーション方式を適用する手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many applications, accurate class probability estimates are required, but
many types of models produce poor quality probability estimates despite
achieving acceptable classification accuracy. Even though probability
calibration has been a hot topic of research in recent times, the majority of
this has investigated non-sequential data. In this paper, we consider
calibrating models that produce class probability estimates from sequences of
data, focusing on the case where predictions are obtained from incomplete
sequences. We show that traditional calibration techniques are not sufficiently
expressive for this task, and propose methods that adapt calibration schemes
depending on the length of an input sequence. Experimental evaluation shows
that the proposed methods are often substantially more effective at calibrating
probability estimates from modern sequential architectures for incomplete
sequences across a range of application domains.
- Abstract(参考訳): 多くのアプリケーションでは、正確なクラス確率推定が必要であるが、多くのタイプのモデルは、許容できる分類精度にもかかわらず、品質の悪い確率推定を生成する。
確率キャリブレーションは近年研究のホットな話題となっているが、その大半は、時系列的でないデータを調査している。
本稿では,データ列からクラス確率推定を生成するモデルの校正について考察し,不完全列から予測が得られた場合に着目した。
従来のキャリブレーション手法は,この課題に対して十分に表現できないことを示し,入力シーケンスの長さに応じてキャリブレーション方式を適用する手法を提案する。
実験により, 提案手法は, アプリケーション領域にまたがる不完全系列に対して, 最新の逐次アーキテクチャから推定される確率の算定に有効であることがわかった。
関連論文リスト
- Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳(メタデータ) (2023-10-31T06:19:40Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-23T12:17:36Z) - Calibration tests beyond classification [30.616624345970973]
ほとんどの教師付き機械学習タスクは、既約予測エラーを被る。
確率論的予測モデルは、妥当な目標に対する信念を表す確率分布を提供することによって、この制限に対処する。
校正されたモデルは、予測が過信でも過信でもないことを保証します。
論文 参考訳(メタデータ) (2022-10-21T09:49:57Z) - Calibrated Selective Classification [34.08454890436067]
そこで我々は,「不確か」な不確実性のある例を拒否する手法を提案する。
本稿では,選択的校正モデル学習のためのフレームワークを提案する。そこでは,任意のベースモデルの選択的校正誤差を改善するために,個別のセレクタネットワークを訓練する。
われわれは,複数画像分類と肺癌リスク評価におけるアプローチの実証的効果を実証した。
論文 参考訳(メタデータ) (2022-08-25T13:31:09Z) - On the Calibration of Probabilistic Classifier Sets [6.759124697337311]
我々はキャリブレーションの概念を拡張して、アレタリック不確実性表現の有効性を評価する。
ディープニューラルネットワークのアンサンブルがよく校正されていないことを示す。
論文 参考訳(メタデータ) (2022-05-20T10:57:46Z) - T-Cal: An optimal test for the calibration of predictive models [49.11538724574202]
有限検証データセットを用いた予測モデルの誤校正を仮説検証問題として検討する。
誤校正の検出は、クラスの条件付き確率が予測の十分滑らかな関数である場合にのみ可能である。
我々は、$ell$-Expected Error(ECE)のデバイアスドプラグイン推定器に基づくキャリブレーションのためのミニマックステストであるT-Calを提案する。
論文 参考訳(メタデータ) (2022-03-03T16:58:54Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳(メタデータ) (2020-06-29T21:50:07Z) - Individual Calibration with Randomized Forecasting [116.2086707626651]
予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。
我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
論文 参考訳(メタデータ) (2020-06-18T05:53:10Z) - Better Multi-class Probability Estimates for Small Data Sets [0.0]
我々は,データ生成とグループ化のアルゴリズムが多クラス問題の解決に有効であることを示す。
実験により,提案手法を用いてキャリブレーション誤差を低減し,計算コストの増大を許容できることを示した。
論文 参考訳(メタデータ) (2020-01-30T10:21:26Z)
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。