論文の概要: A Confidence-Calibrated MOBA Game Winner Predictor
- arxiv url: http://arxiv.org/abs/2006.15521v1
- Date: Sun, 28 Jun 2020 05:53:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 02:05:35.394361
- Title: A Confidence-Calibrated MOBA Game Winner Predictor
- Title（参考訳）: 信頼度校正型MOBAゲーム勝者予測器
- Authors: Dong-Hee Kim, Changwoo Lee, Ki-Seok Chung
- Abstract要約: 我々は,有名なマルチプレイヤーオンラインバトルアリーナ(MOBA)ゲーム,League of Legendsの勝者を予測するための信頼度補正手法を提案する。
提案手法は,データ不確実性を考慮した予測校正誤差 (ECE) (0.57%) を実現する。
- 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 this paper, we propose a confidence-calibration method for predicting the
winner of a famous multiplayer online battle arena (MOBA) game, League of
Legends. In MOBA games, the dataset may contain a large amount of
input-dependent noise; not all of such noise is observable. Hence, it is
desirable to attempt a confidence-calibrated prediction. Unfortunately, most
existing confidence calibration methods are pertaining to image and document
classification tasks where consideration on uncertainty is not crucial. In this
paper, we propose a novel calibration method that takes data uncertainty into
consideration. The proposed method achieves an outstanding expected calibration
error (ECE) (0.57%) mainly owing to data uncertainty consideration, compared to
a conventional temperature scaling method of which ECE value is 1.11%.
- Abstract（参考訳）: 本稿では,有名なマルチプレイヤーオンラインバトルアリーナ(MOBA)ゲーム,League of Legendsの勝者を予測するための信頼度補正手法を提案する。
MOBAゲームでは、データセットには大量の入力依存ノイズが含まれている可能性がある。
したがって、信頼度を補正した予測を試みることが望ましい。
残念なことに、既存の信頼度校正手法のほとんどは、不確実性を考慮することが重要でない画像と文書の分類に関するものである。
本稿では,データの不確実性を考慮した新しいキャリブレーション手法を提案する。
提案手法は,ECE値が1.11%である従来の温度スケーリング法と比較して,データ不確実性を考慮した優れたキャリブレーション誤差(ECE)(0.57%)を実現する。
関連論文リスト
- Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
多くの信頼度推定法は誤分類誤りを検出するのに有害である。
本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
論文 参考訳（メタデータ） (2024-03-05T11:44:14Z) - One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。
幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文 参考訳（メタデータ） (2023-12-16T14:59:11Z) - Two Sides of Miscalibration: Identifying Over and Under-Confidence
Prediction for Network Calibration [1.192436948211501]
安全クリティカルなタスクにおける信頼性予測には、ディープニューラルネットワークの信頼性校正が不可欠である。
ミススキャリブレーションは、過信と/または過信をモデル化する。
校正点とクラス別校正点を同定するために,新しい校正点である校正点を導入する。
クラスワイドの誤校正スコアをプロキシとして使用して,過度かつ過度に対処可能な校正手法を設計する。
論文 参考訳（メタデータ） (2023-08-06T17:59:14Z) - 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) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Revisiting Calibration for Question Answering [16.54743762235555]
従来のキャリブレーション評価はモデル信頼性の有用性を反映していないと論じる。
モデルが誤った予測に低信頼を割り当て、正しい予測に高信頼を割り当てているかどうかをよりよく把握する新しい校正基準であるMacroCEを提案する。
論文 参考訳（メタデータ） (2022-05-25T05:49:56Z) - Confidence Calibration for Intent Detection via Hyperspherical Space and
Rebalanced Accuracy-Uncertainty Loss [17.26964140836123]
一部のシナリオでは、ユーザは正確さだけでなく、モデルの信頼性も気にします。
本稿では,超球面空間と精度・不確かさ損失の再バランスを用いたモデルを提案する。
本モデルでは,既存の校正手法より優れ,校正基準の大幅な改善を実現している。
論文 参考訳（メタデータ） (2022-03-17T12:01:33Z) - Bayesian Confidence Calibration for Epistemic Uncertainty Modelling [4.358626952482686]
キャリブレーション法の不確実性を考慮した信頼度推定手法を提案する。
物体検出校正のための最先端校正性能を実現する。
論文 参考訳（メタデータ） (2021-09-21T10:53:16Z) - Improved Predictive Uncertainty using Corruption-based Calibration [64.49386167517582]
モデル予測が正しいという信頼性/不確かさをデータ上で推定するための簡単なポストホック校正法を提案する。
我々は、既知の腐敗の強度の異なるキャリブレーションセットを破損させることにより、サロゲート校正セットを合成する。
論文 参考訳（メタデータ） (2021-06-07T16:27:18Z) - Certifying Confidence via Randomized Smoothing [151.67113334248464]
ランダムな平滑化は、高次元の分類問題に対して良好な証明されたロバスト性を保証することが示されている。
ほとんどの平滑化法は、下層の分類器が予測する信頼性に関する情報を与えてくれない。
そこで本研究では,スムーズな分類器の予測信頼度を評価するために,認証ラジイを生成する手法を提案する。
論文 参考訳（メタデータ） (2020-09-17T04:37:26Z)
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。