論文の概要: A Review of Uncertainty Quantification in Deep Learning: Techniques,
Applications and Challenges
- arxiv url: http://arxiv.org/abs/2011.06225v4
- Date: Wed, 6 Jan 2021 01:58:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 06:14:49.409246
- Title: A Review of Uncertainty Quantification in Deep Learning: Techniques,
Applications and Challenges
- Title(参考訳): 深層学習における不確かさの定量化:技術・応用・課題
- Authors: Moloud Abdar, Farhad Pourpanah, Sadiq Hussain, Dana Rezazadegan, Li
Liu, Mohammad Ghavamzadeh, Paul Fieguth, Xiaochun Cao, Abbas Khosravi, U
Rajendra Acharya, Vladimir Makarenkov, Saeid Nahavandi
- Abstract要約: 不確実性定量化(UQ)は、最適化と意思決定プロセスの両方において不確実性の低減に重要な役割を果たしている。
ビザレ近似とアンサンブル学習技術は、文学において最も広く使われている2つのUQ手法である。
本研究は, 深層学習におけるUQ手法の最近の進歩を概観し, 強化学習におけるこれらの手法の適用について検討する。
- 参考スコア(独自算出の注目度): 76.20963684020145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainty quantification (UQ) plays a pivotal role in reduction of
uncertainties during both optimization and decision making processes. It can be
applied to solve a variety of real-world applications in science and
engineering. Bayesian approximation and ensemble learning techniques are two
most widely-used UQ methods in the literature. In this regard, researchers have
proposed different UQ methods and examined their performance in a variety of
applications such as computer vision (e.g., self-driving cars and object
detection), image processing (e.g., image restoration), medical image analysis
(e.g., medical image classification and segmentation), natural language
processing (e.g., text classification, social media texts and recidivism
risk-scoring), bioinformatics, etc. This study reviews recent advances in UQ
methods used in deep learning. Moreover, we also investigate the application of
these methods in reinforcement learning (RL). Then, we outline a few important
applications of UQ methods. Finally, we briefly highlight the fundamental
research challenges faced by UQ methods and discuss the future research
directions in this field.
- Abstract(参考訳): 不確実性定量化(UQ)は、最適化と意思決定プロセスの両方において不確実性の低減に重要な役割を果たしている。
科学と工学における様々な現実世界の応用を解くために応用できる。
ベイズ近似とアンサンブル学習技術は、この文献で最も広く使われているUQ手法である。
この点に関して、研究者は様々なUQ手法を提案し、コンピュータビジョン(例えば、自動運転車や物体検出)、画像処理(例えば、画像復元)、医用画像分析(例えば、医用画像の分類とセグメンテーション)、自然言語処理(例えば、テキスト分類、ソーシャルメディアのテキストと復号化)、バイオインフォマティクス(英語版)など、様々な用途でその性能を調べてきた。
本研究では,ディープラーニングにおけるUQ手法の最近の進歩を概観する。
また,これらの手法の強化学習への応用についても検討した。
次に、UQ手法のいくつかの重要な応用について概説する。
最後に,UQ手法が直面する基本的な研究課題を概説し,今後の研究方向性について考察する。
関連論文リスト
- Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳(メタデータ) (2023-10-28T06:31:06Z) - Uncertainty Quantification in Machine Learning for Engineering Design
and Health Prognostics: A Tutorial [12.570694576213244]
不確実性定量化(英: Uncertainty Quantification、UQ)は、より原則化された意思決定につながるような安全保証の不可欠な層として機能する。
このチュートリアルは、ニューラルネットワークに特に焦点をあてたMLモデルの新たなUQメソッドに関する、包括的なレンズを提供する。
工学設計と健康診断における課題解決におけるMLモデルのUQの役割について論じる。
論文 参考訳(メタデータ) (2023-05-07T03:12:03Z) - A Survey on Uncertainty Quantification Methods for Deep Neural Networks:
An Uncertainty Source Perspective [8.944068453789752]
不確かさ定量化(UQ)は、予測精度以上のDNN予測の信頼性を推定することを目的としている。
本稿では,DNNに対するUQ手法の系統分類を,不確実性源の種類に基づいて提案する。
我々は、我々のUQ方法論の分類が、異なる機械学習問題におけるUQ手法の選択を導くのにどのように役立つかを示す。
論文 参考訳(メタデータ) (2023-02-26T22:30:08Z) - Large Language Models can Implement Policy Iteration [18.424558160071808]
In-Context Policy Iterationは、基礎モデルを用いてReinforcement Learning(RL)を実行するアルゴリズムである。
ICPIは、専門家によるデモンストレーションやグラデーションなしでRLタスクを実行することを学ぶ。
ICPIは、RL環境との試行錯誤によってポリシーを導出するプロンプトの内容を反復的に更新する。
論文 参考訳(メタデータ) (2022-10-07T21:18:22Z) - NeuralUQ: A comprehensive library for uncertainty quantification in
neural differential equations and operators [0.0]
機械学習における不確実性定量化(UQ)は、現在、研究の関心が高まっている。
我々は,SciMLのUQメソッドを便利かつ構造化した方法で使用するために,NeuralUQと呼ばれるオープンソースのPythonライブラリを提案する。
論文 参考訳(メタデータ) (2022-08-25T04:28:18Z) - Interpretable Uncertainty Quantification in AI for HEP [2.922388615593672]
不確実性の推定は、HEPにおける科学的測定の核心にある。
不確実性定量化(UQ)の目標は「これらの不確実性をどのように物理的に統計的に解釈するか」という問題と密接に関連している。
HEPにおける人工知能(AI)応用には、UQの解釈可能な手法が不可欠である分野がいくつかある。
論文 参考訳(メタデータ) (2022-08-05T17:20:27Z) - Deep Image Deblurring: A Survey [165.32391279761006]
低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。
近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
論文 参考訳(メタデータ) (2022-01-26T01:31:30Z) - Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文 参考訳(メタデータ) (2021-11-28T14:24:52Z) - MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven
Reinforcement Learning [65.52675802289775]
本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。
正規化最大度(NML)分布の計算法を提案する。
得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
論文 参考訳(メタデータ) (2021-07-15T08:19:57Z) - IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。
行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。
本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
論文 参考訳(メタデータ) (2021-06-23T03:43:10Z)
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。