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

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
  不確実性定量化(英: Uncertainty Quantification、UQ)は、機械学習(ML)アプリケーションにおいて重要なコンポーネントである。 最新のUQベースラインの集合を実装した新しいベンチマークを導入する。 我々は、9つのタスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も有望なアプローチを特定した。
  論文  参考訳（メタデータ） (2024-06-21T20:06:31Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• 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 Learning [7.102893202197349]
  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)
• 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)
• 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。