論文の概要: Workshop on Quantification, Communication, and Interpretation of
Uncertainty in Simulation and Data Science
- arxiv url: http://arxiv.org/abs/2004.12939v1
- Date: Mon, 27 Apr 2020 16:57:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 00:02:55.722829
- Title: Workshop on Quantification, Communication, and Interpretation of
Uncertainty in Simulation and Data Science
- Title（参考訳）: シミュレーション・データサイエンスにおける不確かさの定量化・コミュニケーション・解釈に関するワークショップ
- Authors: Ross Whitaker, William Thompson, James Berger, Baruch Fischhof,
Michael Goodchild, Mary Hegarty, Christopher Jermaine, Kathryn S. McKinley,
Alex Pang, Joanne Wendelberger
- Abstract要約: CCC Workshop on Quantification, Communication, and of Uncertainty in Simulation and Data Scienceはこの問題を調査した。
ワークショップでは、不確実なデータを処理、現在、解釈する方法において、重大な欠点を特定しました。
- 参考スコア（独自算出の注目度）: 0.5390433635066281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern science, technology, and politics are all permeated by data that comes
from people, measurements, or computational processes. While this data is often
incomplete, corrupt, or lacking in sufficient accuracy and precision, explicit
consideration of uncertainty is rarely part of the computational and decision
making pipeline. The CCC Workshop on Quantification, Communication, and
Interpretation of Uncertainty in Simulation and Data Science explored this
problem, identifying significant shortcomings in the ways we currently process,
present, and interpret uncertain data. Specific recommendations on a research
agenda for the future were made in four areas: uncertainty quantification in
large-scale computational simulations, uncertainty quantification in data
science, software support for uncertainty computation, and better integration
of uncertainty quantification and communication to stakeholders.
- Abstract（参考訳）: 現代の科学、技術、政治は全て、人、測定、計算プロセスから来るデータによって浸透している。
このデータは、しばしば不完全、破損、あるいは十分な精度と精度の欠如があるが、不確実性に対する明確な考慮は、計算と意思決定パイプラインの一部であることは滅多にない。
CCC Workshop on Quantification, Communication, and Interpretation of Uncertainty in Simulation and Data Scienceはこの問題を探求し、不確実なデータの処理、現在、そして解釈方法における重大な欠点を特定した。
大規模計算シミュレーションにおける不確実性定量化、データサイエンスにおける不確実性定量化、不確実性計算のためのソフトウェアサポート、不確実性定量化と利害関係者とのコミュニケーションのより良い統合である。
関連論文リスト
- 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) - Do We Really Even Need Data? [2.3749120526936465]
研究者は、事前学習されたアルゴリズムの予測を結果変数として利用している。
推測のための標準的なツールは、真で観測されていない結果が予測された値に置き換えられたときに、独立変数と利害関係の関連性を誤って表現することができる。
論文 参考訳（メタデータ） (2024-01-14T23:19:21Z) - 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) - Towards the Development of an Uncertainty Quantification Protocol for
the Natural Gas Industry [0.0]
シミュレーション結果の不確かさは意思決定プロセスに不可欠である。
本稿では,機械学習および機械シミュレーションモデルの予測の不確実性を評価するためのプロトコルを開発する。
このプロトコルは、ガス流通産業に関連するケースのテストに応用され、その応用から学んだことを提示する。
論文 参考訳（メタデータ） (2023-08-05T18:54:59Z) - Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳（メタデータ） (2023-06-23T07:53:09Z) - 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 in Data-Driven Kalman Filtering for Partially Known
State-Space Models [84.18625250574853]
本稿では,ハイブリッドモデルに基づくディープステートトラッキングアルゴリズムであるKalmanNetを用いて,不確実性の評価を行う。
誤差共分散行列は内部特性に基づいて不確実性の測定値として計算可能であることを示す。
システムダイナミクスが分かっている場合、KalmanNetは統計情報にアクセスせずにデータからマッピングを学習し、Kalmanフィルタに類似した不確実性を示す。
論文 参考訳（メタデータ） (2021-10-10T08:52:18Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Interval Deep Learning for Uncertainty Quantification in Safety
Applications [0.0]
現在のディープニューラルネットワーク(DNN)は、重要な入力データの不確実性を定量化し伝播する暗黙のメカニズムを持っていない。
本稿では、間隔解析を用いて入力とパラメータの不確かさを定量化できる勾配法を最適化したDNNを提案する。
本研究では,Deep Interval Neural Network (DINN) が不確定な入力データから正確な有界推定を生成できることを示した。
論文 参考訳（メタデータ） (2021-05-13T17:21:33Z) - STUaNet: Understanding uncertainty in spatiotemporal collective human
mobility [11.436035608461966]
本研究では,内部データ品質と外部不確実性を同時に推定する不確実性学習機構を提案する。
提案手法は予測と不確かさの両面において優れていることを示す。
論文 参考訳（メタデータ） (2021-02-09T01:43:27Z) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳（メタデータ） (2020-11-15T17:26:14Z)
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。