論文の概要: Trusted Confidence Bounds for Learning Enabled Cyber-Physical Systems
- arxiv url: http://arxiv.org/abs/2003.05107v2
- Date: Mon, 20 Apr 2020 05:55:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 13:37:29.614821
- Title: Trusted Confidence Bounds for Learning Enabled Cyber-Physical Systems
- Title(参考訳): 学習可能なサイバー物理システムのための信頼度境界
- Authors: Dimitrios Boursinos and Xenofon Koutsoukos
- Abstract要約: インダクティブ・コンフォーマル予測(ICP)に基づく信頼度境界の計算手法を提案する。
我々はTriplet Networkアーキテクチャをトレーニングし、トレーニングデータセットにおけるテスト例とサンプルの類似性を推定するために使用できる入力データの表現を学習する。
次に、これらの表現を用いて、三重項で使用されるニューラルネットワークアーキテクチャに基づく分類器からセット予測の信頼性を推定する。
- 参考スコア(独自算出の注目度): 2.1320960069210484
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cyber-physical systems (CPS) can benefit by the use of learning enabled
components (LECs) such as deep neural networks (DNNs) for perception and
decision making tasks. However, DNNs are typically non-transparent making
reasoning about their predictions very difficult, and hence their application
to safety-critical systems is very challenging. LECs could be integrated easier
into CPS if their predictions could be complemented with a confidence measure
that quantifies how much we trust their output. The paper presents an approach
for computing confidence bounds based on Inductive Conformal Prediction (ICP).
We train a Triplet Network architecture to learn representations of the input
data that can be used to estimate the similarity between test examples and
examples in the training data set. Then, these representations are used to
estimate the confidence of set predictions from a classifier that is based on
the neural network architecture used in the triplet. The approach is evaluated
using a robotic navigation benchmark and the results show that we can computed
trusted confidence bounds efficiently in real-time.
- Abstract(参考訳): サイバー物理システム(CPS)は、認識と意思決定タスクに深層ニューラルネットワーク(DNN)のような学習可能なコンポーネント(LEC)を使用することによって恩恵を受けることができる。
しかし、dnnは一般的に、その予測に対する推論が非常に困難であり、安全クリティカルシステムへの応用は非常に困難である。
LEC が CPS に統合されるのは,その予測が出力の信頼度を定量化する信頼度尺度で補完される場合だ。
本稿では,インダクティブ・コンフォーマル予測(ICP)に基づく信頼性境界の計算手法を提案する。
我々はTriplet Networkアーキテクチャをトレーニングし、トレーニングデータセットにおけるテスト例とサンプルの類似性を推定するために使用できる入力データの表現を学習する。
次に、これらの表現を用いて、三重項で使用されるニューラルネットワークアーキテクチャに基づく分類器からセット予測の信頼性を推定する。
本手法は,ロボットナビゲーションベンチマークを用いて評価し,信頼度境界をリアルタイムで効率的に計算できることを示す。
関連論文リスト
- Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳(メタデータ) (2023-10-02T03:25:32Z) - Fast Entropy-Based Methods of Word-Level Confidence Estimation for
End-To-End Automatic Speech Recognition [86.21889574126878]
本研究では,フレーム単位のエントロピー値を正規化して集約し,単位単位当たりの信頼度と単語毎の信頼度を求める方法を示す。
提案手法をLibriSpeechテストセット上で評価した結果,最大フレーム当たりの信頼度推定値の最大値から,信頼度推定値の最大値の最大値の最大値の最大値の最大値の2倍,4倍の精度を示した。
論文 参考訳(メタデータ) (2022-12-16T20:27:40Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - Reliable Probability Intervals For Classification Using Inductive Venn
Predictors Based on Distance Learning [2.66512000865131]
Inductive Venn Predictors framework を用いて,各予測の正確性に関する確率区間をリアルタイムに計算する。
本稿では,高次元入力を含むアプリケーションにおける情報伝達確率区間を計算するための距離距離距離学習法を提案する。
論文 参考訳(メタデータ) (2021-10-07T00:51:43Z) - Improving Prediction Confidence in Learning-Enabled Autonomous Systems [2.66512000865131]
予測の信頼性を向上させるために,分類に使用される学習可能なコンポーネントと自律システムのセンサとのフィードバックループを利用する。
本稿では,三重項ネットワークアーキテクチャに基づく帰納的等角予測(ICP)を用いた分類器を設計し,テスト例とトレーニング例の類似性を定量化するための表現を学習する。
センサに新しい入力を問い合わせるフィードバックループを使用して、予測をさらに洗練し、分類精度を高める。
論文 参考訳(メタデータ) (2021-10-07T00:40:34Z) - Assurance Monitoring of Learning Enabled Cyber-Physical Systems Using
Inductive Conformal Prediction based on Distance Learning [2.66512000865131]
本稿では,学習可能なサイバー物理システムの保証監視手法を提案する。
リアルタイムの保証監視を可能にするため,高次元入力を低次元埋め込み表現に変換するために距離学習を用いる。
壁面認識,話者認識,交通信号認識の3つの移動ロボットを用いて,そのアプローチを実証する。
論文 参考訳(メタデータ) (2021-10-07T00:21:45Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-09-28T17:56:41Z) - FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。
FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
論文 参考訳(メタデータ) (2021-06-24T15:38:34Z) - An evaluation of word-level confidence estimation for end-to-end
automatic speech recognition [70.61280174637913]
エンドツーエンド自動音声認識(ASR)における信頼度推定の検討
4つのよく知られた音声データセットにおける信頼度手法の広範なベンチマークを提供する。
以上の結果から,ロジットを学習温度でスケーリングすることで,強いベースラインが得られることが示唆された。
論文 参考訳(メタデータ) (2021-01-14T09:51:59Z) - Confidence-Aware Learning for Deep Neural Networks [4.9812879456945]
本稿では,新たな損失関数であるCorrectness Ranking Lossを用いたディープニューラルネットワークのトレーニング手法を提案する。
クラス確率を明示的に規則化し、信頼度に応じて順序付けされたランキングでより良い信頼度の推定を行う。
従来の深層分類器とほぼ同じ計算コストを持ち、1つの推論で信頼性のある予測を出力する。
論文 参考訳(メタデータ) (2020-07-03T02:00:35Z) - Assurance Monitoring of Cyber-Physical Systems with Machine Learning
Components [2.1320960069210484]
我々は,サイバー物理システムの保証監視にコンフォメーション予測フレームワークを使用する方法について検討する。
リアルタイムに高次元入力を処理するために,学習モデルの埋め込み表現を用いて非整合性スコアを計算する。
整合性予測を活用することで、この手法は十分に校正された信頼性を提供し、限定された小さなエラー率を保証する監視を可能にする。
論文 参考訳(メタデータ) (2020-01-14T19:34:51Z)
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。