論文の概要: The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals

• arxiv url: http://arxiv.org/abs/2011.01655v1
• Date: Tue, 3 Nov 2020 12:11:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 05:20:25.082191
• Title: The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals
• Title（参考訳）: 仮想残差を用いた分離定式化によるアレタリック不確かさ推定
• Authors: Takumi Kawashima and Qing Yu and Akari Asai and Daiki Ikami and Kiyoharu Aizawa
• Abstract要約: 既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。 本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。 提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
• 参考スコア（独自算出の注目度）: 51.71066839337174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new optimization framework for aleatoric uncertainty estimation in regression problems. Existing methods can quantify the error in the target estimation, but they tend to underestimate it. To obtain the predictive uncertainty inherent in an observation, we propose a new separable formulation for the estimation of a signal and of its uncertainty, avoiding the effect of overfitting. By decoupling target estimation and uncertainty estimation, we also control the balance between signal estimation and uncertainty estimation. We conduct three types of experiments: regression with simulation data, age estimation, and depth estimation. We demonstrate that the proposed method outperforms a state-of-the-art technique for signal and uncertainty estimation.
• Abstract（参考訳）: 回帰問題におけるアレータティック不確実性推定のための新しい最適化フレームワークを提案する。 既存のメソッドは、ターゲット推定のエラーを定量化できるが、過小評価する傾向がある。 観測に固有の予測的不確実性を得るため,信号の推定と不確実性に関する新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。 また,目標推定と不確実性推定を分離することにより,信号推定と不確実性推定のバランスを制御する。 シミュレーションデータを用いた回帰,年齢推定,深さ推定の3種類の実験を行った。 提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。

関連論文リスト

• Conformalized Multimodal Uncertainty Regression and Reasoning [0.9205582989348333]
  本稿では,マルチモーダル(不連続)不確実性境界を予測できる軽量不確実性推定器を提案する。 本稿では,空飛ぶ領域対称性などの環境特性が多モード不確実性をもたらす視覚計測(VO)への応用について論じる。
  論文  参考訳（メタデータ） (2023-09-20T02:40:59Z)
• 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)
• Confidence-aware 3D Gaze Estimation and Evaluation Metric [15.852320764240995]
  本稿では,視線角度推定とともに不確実性を予測する信頼度認識モデルを提案する。 また,眼の特徴劣化と推論の不確実性の増大の因果関係に基づく新しい有効性評価手法を提案する。
  論文  参考訳（メタデータ） (2023-03-17T15:44:44Z)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• 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)
• Adversarial Attack for Uncertainty Estimation: Identifying Critical Regions in Neural Networks [0.0]
  本稿では,ニューラルネットワークにおける決定境界付近のデータポイントをキャプチャする手法を提案する。 不確実性推定は、モデルのパラメータに摂動を与える以前の研究とは異なり、入力摂動から導かれる。 提案手法は,他の手法よりも優れた性能を示し,機械学習におけるモデル不確実性を捉えるリスクが低いことを示した。
  論文  参考訳（メタデータ） (2021-07-15T21:30:26Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。