論文の概要: Posterior Network: Uncertainty Estimation without OOD Samples via
Density-Based Pseudo-Counts
- arxiv url: http://arxiv.org/abs/2006.09239v2
- Date: Thu, 22 Oct 2020 10:39:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 19:26:32.267006
- Title: Posterior Network: Uncertainty Estimation without OOD Samples via
Density-Based Pseudo-Counts
- Title（参考訳）: 後部ネットワーク:密度に基づく擬似関数によるOODサンプルのない不確かさ推定
- Authors: Bertrand Charpentier, Daniel Z\"ugner, Stephan G\"unnemann
- Abstract要約: Posterior Network (PostNet) は、任意のサンプルに対する予測確率よりも、個々の閉形式後部分布を予測する。
PostNetは、OODの検出とデータセットシフトによる不確実なキャリブレーションにおいて、最先端の成果を達成する。
- 参考スコア（独自算出の注目度）: 33.45069308137142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate estimation of aleatoric and epistemic uncertainty is crucial to
build safe and reliable systems. Traditional approaches, such as dropout and
ensemble methods, estimate uncertainty by sampling probability predictions from
different submodels, which leads to slow uncertainty estimation at inference
time. Recent works address this drawback by directly predicting parameters of
prior distributions over the probability predictions with a neural network.
While this approach has demonstrated accurate uncertainty estimation, it
requires defining arbitrary target parameters for in-distribution data and
makes the unrealistic assumption that out-of-distribution (OOD) data is known
at training time.
In this work we propose the Posterior Network (PostNet), which uses
Normalizing Flows to predict an individual closed-form posterior distribution
over predicted probabilites for any input sample. The posterior distributions
learned by PostNet accurately reflect uncertainty for in- and
out-of-distribution data -- without requiring access to OOD data at training
time. PostNet achieves state-of-the art results in OOD detection and in
uncertainty calibration under dataset shifts.
- Abstract（参考訳）: 安全で信頼性の高いシステムを構築するためには,アレオータと認識の不確かさの正確な推定が不可欠である。
ドロップアウト法やアンサンブル法のような従来の手法は、異なるサブモデルから確率予測をサンプリングすることで不確実性を推定し、推論時間における不確実性を遅くする。
近年の研究では、ニューラルネットワークを用いた確率予測による事前分布のパラメータを直接予測することで、この欠点に対処している。
このアプローチは正確な不確実性推定を示しているが、分布内データに対して任意のターゲットパラメータを定義する必要があり、トレーニング時に分布外(ood)データが知られているという非現実的前提を定めている。
本研究では,提案するPosterior Network (PostNet) を提案する。これは正規化フローを用いて,予測確率よりも個々の閉形式後部分布を推定する。
postnetが学んだ後方分布は、トレーニング時にoodデータにアクセスする必要なしに、分布内および分布外データの不確実性を正確に反映している。
PostNetは、OODの検出とデータセットシフトによる不確実な校正において、最先端の成果を達成する。
関連論文リスト
- Tackling Missing Values in Probabilistic Wind Power Forecasting: A
Generative Approach [1.384633930654651]
そこで本研究では,欠落した値の処理と目標の予測を無関心に行い,未知の値を同時に予測することを提案する。
従来の「インプット、予測」パイプラインと比較して、提案手法は連続的なランク付け確率スコアにおいてより良い性能を達成する。
論文 参考訳（メタデータ） (2024-03-06T11:38:08Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts
using Conditional Invertible Neural Networks [0.19573380763700712]
我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。
我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
論文 参考訳（メタデータ） (2023-02-03T15:11:39Z) - Looking at the posterior: accuracy and uncertainty of neural-network
predictions [0.0]
予測精度はてんかんとアレタリック不確実性の両方に依存している。
本稿では,共通不確実性に基づく手法よりも優れた新たな獲得関数を提案する。
論文 参考訳（メタデータ） (2022-11-26T16:13:32Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳（メタデータ） (2022-10-24T17:53:20Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Robust uncertainty estimates with out-of-distribution pseudo-inputs
training [0.0]
我々は、信頼性のあるデータを与えられていない不確実性予測器を明示的に訓練することを提案する。
データ無しでは訓練できないので、入力空間の情報的低密度領域において擬似入力を生成するメカニズムを提供する。
総合的な評価により、様々なタスクにおける最先端性能を維持しながら、不確実性の頑健かつ解釈可能な予測が得られることを示す。
論文 参考訳（メタデータ） (2022-01-15T17:15:07Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳（メタデータ） (2020-12-05T17:30:35Z)
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。