論文の概要: Prediction Intervals: Split Normal Mixture from Quality-Driven Deep Ensembles

• arxiv url: http://arxiv.org/abs/2007.09670v1
• Date: Sun, 19 Jul 2020 13:46:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 23:58:59.965778
• Title: Prediction Intervals: Split Normal Mixture from Quality-Driven Deep Ensembles
• Title（参考訳）: 予測間隔:品質駆動深層アンサンブルから正規混合を分離する
• Authors: T\'arik S. Salem, Helge Langseth, Heri Ramampiaro
• Abstract要約: 本稿では,ニューラルネットワークのアンサンブルからの点推定値とともに予測間隔を生成する手法を提案する。 本稿では,予測間隔と点推定に関する品質指標を融合した多目的損失関数と,結果のセマンティックな整合性を実現するペナルティ関数を提案する。 この結果から, 品質駆動型損失関数と集約法の両方が, 精度のよい予測間隔と点推定に寄与することが示唆された。
• 参考スコア（独自算出の注目度）: 4.521131595149397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction intervals are a machine- and human-interpretable way to represent predictive uncertainty in a regression analysis. In this paper, we present a method for generating prediction intervals along with point estimates from an ensemble of neural networks. We propose a multi-objective loss function fusing quality measures related to prediction intervals and point estimates, and a penalty function, which enforces semantic integrity of the results and stabilizes the training process of the neural networks. The ensembled prediction intervals are aggregated as a split normal mixture accounting for possible multimodality and asymmetricity of the posterior predictive distribution, and resulting in prediction intervals that capture aleatoric and epistemic uncertainty. Our results show that both our quality-driven loss function and our aggregation method contribute to well-calibrated prediction intervals and point estimates.
• Abstract（参考訳）: 予測間隔は回帰分析において予測の不確実性を表現する機械と人間の解釈可能な方法である。 本稿では,ニューラルネットワークのアンサンブルからの点推定とともに,予測間隔を生成する手法を提案する。 本稿では,予測間隔と点推定に関する品質指標を融合した多目的損失関数と,結果のセマンティックな整合性を実現し,ニューラルネットワークのトレーニングプロセスを安定化するペナルティ関数を提案する。 アンサンブル予測間隔は、後方予測分布の多モード性および非対称性を考慮に入れた分割正規混合として集約され、アレタリックおよびてんかんの不確実性を捉える予測間隔となる。 この結果から, 品質駆動型損失関数と集約法の両方が, 予測間隔や点推定に有効であることが示唆された。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Adaptive Neural Network Ensemble Using Frequency Distribution [3.42658286826597]
  ニューラルネットワーク(NN)アンサンブルは、NNの大きな予測分散を低減し、予測精度を向上させる。 データセットが不十分な高非線形問題に対して、NNモデルの予測精度は不安定になる。 本研究は,真の予測値付近に集中することが期待されるコア予測値を同定する周波数分布に基づくアンサンブルを提案する。
  論文  参考訳（メタデータ） (2022-10-19T08:05:35Z)
• Conformal Prediction Intervals for Markov Decision Process Trajectories [10.68332392039368]
  本稿では、マルコフ決定プロセス(MDP)上で固定制御ポリシーを実行する自律システムの将来の挙動に関する共形予測区間を提供する。 この方法は、侵略的な種管理とStarCraft2の戦いのためのMDPに説明されている。
  論文  参考訳（メタデータ） (2022-06-10T03:43:53Z)
• Aggregating distribution forecasts from deep ensembles [0.0]
  本稿では,ディープアンサンブルのための一般的な量子集約フレームワークを提案する。 深層アンサンブルからの予測分布を組み合わせることで,予測性能を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2022-04-05T15:42:51Z)
• 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)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Interpretable Machines: Constructing Valid Prediction Intervals with Random Forests [0.0]
  最近の研究で機械学習アルゴリズムを使用する場合の重要な問題は、解釈能力の欠如です。 Random Forest Regression Learnerのこのギャップへの貢献について紹介します。 いくつかのパラメトリックおよび非パラメトリック予測区間がランダムフォレスト点予測のために提供される。 モンテカルロシミュレーションによる徹底的な調査を行い,提案手法の性能を評価した。
  論文  参考訳（メタデータ） (2021-03-09T23:05:55Z)
• Conformal Prediction Intervals for Neural Networks Using Cross Validation [0.0]
  ニューラルネットワークは、教師付き学習問題に対処するために使用される最も強力な非線形モデルの一つである。 ニューラルネットワークの予測区間を$k$-foldのクロスバリデーションに基づいて構築するための$k$-fold予測区間法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T16:23:28Z)

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。