論文の概要: Notes on the Behavior of MC Dropout
- arxiv url: http://arxiv.org/abs/2008.02627v2
- Date: Tue, 13 Jul 2021 10:40:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 06:45:31.553868
- Title: Notes on the Behavior of MC Dropout
- Title(参考訳): MC液滴の挙動に関する考察
- Authors: Francesco Verdoja, Ville Kyrki
- Abstract要約: 本稿では,モンテカルロ液滴の挙動について,異なる視点で考察する。
我々は,不確実性推定に利用することを考えると,この手法のいくつかの興味深い特性を留意する。
- 参考スコア(独自算出の注目度): 17.62786520007938
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Among the various options to estimate uncertainty in deep neural networks,
Monte-Carlo dropout is widely popular for its simplicity and effectiveness.
However the quality of the uncertainty estimated through this method varies and
choices in architecture design and in training procedures have to be carefully
considered and tested to obtain satisfactory results. In this paper we present
a study offering a different point of view on the behavior of Monte-Carlo
dropout, which enables us to observe a few interesting properties of the
technique to keep in mind when considering its use for uncertainty estimation.
- Abstract(参考訳): ディープニューラルネットワークにおける不確かさを推定する様々な選択肢の中で、モンテカルロドロップアウトはその単純さと有効性で広く知られている。
しかし, この手法によって推定される不確実性の品質は様々であり, 建築設計における選択や訓練手順においては, 良好な結果を得るために慎重に検討, 検証する必要がある。
本稿では,モンテカルロドロップアウトの挙動に関する異なる視点を提示する研究を行い,不確実性推定に用いる際に留意すべきテクニックの興味深い性質について考察する。
関連論文リスト
- Toward Understanding the Disagreement Problem in Neural Network Feature Attribution [0.8057006406834466]
ニューラルネットワークは 複雑なパターンと関係を 生のデータから識別する
これらのブラックボックスモデルの内部動作を理解することは、依然として難しいが、高い意思決定には不可欠である。
我々の研究は、説明の基本的な、分布的な振る舞いを調査することによって、この混乱に対処する。
論文 参考訳(メタデータ) (2024-04-17T12:45:59Z) - Enhancing Fairness and Performance in Machine Learning Models: A Multi-Task Learning Approach with Monte-Carlo Dropout and Pareto Optimality [1.5498930424110338]
本研究では,モデル不確実性を利用した機械学習におけるバイアス軽減手法を提案する。
提案手法では,モンテカルロ・ドロップアウト(MC)と組み合わせたマルチタスク学習(MTL)フレームワークを用いて,保護ラベルに関連する予測の不確実性を評価・緩和する。
論文 参考訳(メタデータ) (2024-04-12T04:17:50Z) - 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) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳(メタデータ) (2023-03-03T16:12:59Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳(メタデータ) (2023-02-06T16:55:37Z) - On the Complexity of Adversarial Decision Making [101.14158787665252]
決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。
我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
論文 参考訳(メタデータ) (2022-06-27T06:20:37Z) - Which models are innately best at uncertainty estimation? [15.929238800072195]
ディープニューラルネットワークは、リスクに敏感なタスクにデプロイされる場合、不確実性推定機構を備える必要がある。
本稿では,深層建築とその訓練体制との関係について,その選択予測と不確実性推定性能について検討する。
論文 参考訳(メタデータ) (2022-06-05T11:15:35Z) - Proximal Learning for Individualized Treatment Regimes Under Unmeasured
Confounding [3.020737957610002]
我々は,未測定のコンファウンディングの存在下で最適な個別化治療レジーム(itrs)を推定する手法を開発した。
これらの結果に基づいて,クラス内最適ITRの多種多様な分類に基づく探索手法を提案する。
論文 参考訳(メタデータ) (2021-05-03T21:49:49Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-09-30T05:29:01Z) - On Feature Relevance Uncertainty: A Monte Carlo Dropout Sampling
Approach [2.1701691499017812]
ニューラルネットワークによる決定を理解することは、現実世界のアプリケーションにインテリジェントなシステムを配置するための鍵となる。
モンテカルロ法による特徴関連度分布の簡易かつ強力な推定法について述べる。
論文 参考訳(メタデータ) (2020-08-04T11:31:16Z) - Pitfalls of In-Domain Uncertainty Estimation and Ensembling in Deep
Learning [70.72363097550483]
本研究では,画像分類における領域内不確実性に着目した。
そこで本研究では,ディープアンサンブル等価スコア(DEE)を導入する。
論文 参考訳(メタデータ) (2020-02-15T23:28:19Z)
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。