論文の概要: Handling Epistemic and Aleatory Uncertainties in Probabilistic Circuits
- arxiv url: http://arxiv.org/abs/2102.10865v1
- Date: Mon, 22 Feb 2021 10:03:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 15:02:42.388834
- Title: Handling Epistemic and Aleatory Uncertainties in Probabilistic Circuits
- Title（参考訳）: 確率回路における疫学の扱いと不確実性
- Authors: Federico Cerutti, Lance M. Kaplan, Angelika Kimmig, Murat Sensoy
- Abstract要約: 確率的推論の大規模クラスを扱うアプローチの背後にある独立性の仮定を克服する手法を提案する。
ベイズ学習のアルゴリズムは、完全な観察にもかかわらず、スパースから提供します。
そのような回路の各リーフは、不確実な確率を表すエレガントなフレームワークを提供するベータ分散ランダム変数でラベル付けされています。
- 参考スコア（独自算出の注目度）: 18.740781076082044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When collaborating with an AI system, we need to assess when to trust its
recommendations. If we mistakenly trust it in regions where it is likely to
err, catastrophic failures may occur, hence the need for Bayesian approaches
for probabilistic reasoning in order to determine the confidence (or epistemic
uncertainty) in the probabilities in light of the training data. We propose an
approach to overcome the independence assumption behind most of the approaches
dealing with a large class of probabilistic reasoning that includes Bayesian
networks as well as several instances of probabilistic logic. We provide an
algorithm for Bayesian learning from sparse, albeit complete, observations, and
for deriving inferences and their confidences keeping track of the dependencies
between variables when they are manipulated within the unifying computational
formalism provided by probabilistic circuits. Each leaf of such circuits is
labelled with a beta-distributed random variable that provides us with an
elegant framework for representing uncertain probabilities. We achieve better
estimation of epistemic uncertainty than state-of-the-art approaches, including
highly engineered ones, while being able to handle general circuits and with
just a modest increase in the computational effort compared to using point
probabilities.
- Abstract（参考訳）: AIシステムとの共同作業では、その推奨事項をいつ信頼するかを評価する必要があります。
errになりそうな地域で誤ってそれを信頼すると、破滅的な失敗が起こりうるため、トレーニングデータに基づいて確率の信頼性(あるいは認識の不確実性)を決定するために、確率的推論のためのベイズ的アプローチが必要である。
ベイズネットワークや数種類の確率論的論理を含む、大規模な確率論的推論を扱うアプローチの大部分の背後にある独立仮定を克服するアプローチを提案する。
確率回路によって提供される統一的な計算形式の中で操作された変数間の依存性を追跡するために、ベイズ学習をスパース、完全、観察、推論を導き出すためのアルゴリズムを提供する。
そのような回路の各リーフは、不確実な確率を表すエレガントなフレームワークを提供するベータ分散ランダム変数でラベル付けされています。
一般回路の処理が可能で, ポイント確率を用いた場合に比べて計算量もわずかに増加しており, 最先端の手法よりも認識の不確実性の推定精度が向上した。
関連論文リスト
- Bayesian meta learning for trustworthy uncertainty quantification [3.683202928838613]
ベイズメタ学習のための新しい最適化フレームワークであるTrust-Bayesを提案する。
所定間隔で捕捉される基底真理の確率の低い境界を特徴付ける。
我々は、信頼に値する不確実性定量化の可能な確率について、サンプルの複雑さを解析する。
論文 参考訳（メタデータ） (2024-07-27T15:56:12Z) - BIRD: A Trustworthy Bayesian Inference Framework for Large Language Models [52.46248487458641]
予測モデルは、現実世界のタスクで不完全な情報を扱う必要があることが多い。
現在の大規模言語モデル(LLM)は、そのような正確な推定には不十分である。
本稿では,新しい確率的推論フレームワークBIRDを提案する。
論文 参考訳（メタデータ） (2024-04-18T20:17:23Z) - Distributionally Robust Skeleton Learning of Discrete Bayesian Networks [9.46389554092506]
我々は、潜在的に破損したデータから一般的な離散ベイズネットワークの正確なスケルトンを学習する問題を考察する。
本稿では,有界ワッサーシュタイン距離(KL)における分布群に対する最も有害なリスクを,経験的分布へのKL分散を最適化することを提案する。
本稿では,提案手法が標準正規化回帰手法と密接に関連していることを示す。
論文 参考訳（メタデータ） (2023-11-10T15:33:19Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - 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) - Understanding Approximation for Bayesian Inference in Neural Networks [7.081604594416339]
ベイズニューラルネットワークにおける近似推論について検討する。
近似後部の期待効用は推論品質を測定することができる。
継続的かつ活発な学習セットは、後部品質とは無関係な課題を引き起こします。
論文 参考訳（メタデータ） (2022-11-11T11:31:13Z) - Deep Probability Estimation [14.659180336823354]
深層ニューラルネットワークを用いた高次元データからの確率推定について検討する。
この研究の目的は、ディープニューラルネットワークを用いた高次元データからの確率推定を調査することである。
合成データおよび実世界の3つの確率推定タスクにおける既存手法の評価を行った。
論文 参考訳（メタデータ） (2021-11-21T03:55:50Z) - A Gentle Introduction to Conformal Prediction and Distribution-Free
Uncertainty Quantification [1.90365714903665]
このハンズオン導入は、配布不要なUQの実践的な実装に関心のある読者を対象としている。
PyTorch構文で、Pythonで説明的なイラストやサンプル、コードサンプルを多数含みます。
論文 参考訳（メタデータ） (2021-07-15T17:59:50Z) - Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。
我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。
まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
論文 参考訳（メタデータ） (2020-08-19T16:04:34Z) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳（メタデータ） (2020-08-07T08:22:26Z)
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。