論文の概要: Bad and good errors: value-weighted skill scores in deep ensemble
learning
- arxiv url: http://arxiv.org/abs/2103.02881v1
- Date: Thu, 4 Mar 2021 08:05:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 15:05:35.516469
- Title: Bad and good errors: value-weighted skill scores in deep ensemble
learning
- Title（参考訳）: bad and good error: ディープアンサンブル学習における価値重み付けスキルスコア
- Authors: Sabrina Guastavino, Michele Piana, Federico Benvenuto
- Abstract要約: 証拠に基づいて予測誤差の重大度を評価するための戦略を導入する。
本稿では,予測値に重要な意味を持つ,混乱行列とスキルスコアの新たな定義を提案する。
本稿では,公害,宇宙気象,株式賞の予測に関する3つの応用事例において,このアプローチの性能を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we propose a novel approach to realize forecast verification.
Specifically, we introduce a strategy for assessing the severity of forecast
errors based on the evidence that, on the one hand, a false alarm just
anticipating an occurring event is better than one in the middle of consecutive
non-occurring events, and that, on the other hand, a miss of an isolated event
has a worse impact than a miss of a single event, which is part of several
consecutive occurrences. Relying on this idea, we introduce a novel definition
of confusion matrix and skill scores giving greater importance to the value of
the prediction rather than to its quality. Then, we introduce a deep ensemble
learning procedure for binary classification, in which the probabilistic
outcomes of a neural network are clustered via optimization of these
value-weighted skill scores. We finally show the performances of this approach
in the case of three applications concerned with pollution, space weather and
stock prize forecasting.
- Abstract（参考訳）: 本稿では,予測検証を実現する新しい手法を提案する。
具体的には、予測誤差の重大度を評価するための戦略を、ある事象の発生を予測しただけの誤報が、連続した非発生事象の途中の1つよりも優れており、一方、孤立した事象のミスは、複数の連続事象の一部である1つの事象の欠落よりも悪い影響を有するという証拠に基づいて紹介する。
本稿では,この概念に基づいて,その品質よりも予測の価値に重きを置くような,混乱行列とスキルスコアの新たな定義を導入する。
次に,これらの値重み付けスキルスコアの最適化により,ニューラルネットワークの確率的結果がクラスタ化される,バイナリ分類のための深層アンサンブル学習手順を提案する。
我々は, 公害, 宇宙天気, 株式賞の予測に関する3つの応用事例において, 最終的にこのアプローチの性能を示す。
関連論文リスト
- Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T18:20:44Z) - When Measures are Unreliable: Imperceptible Adversarial Perturbations
toward Top-$k$ Multi-Label Learning [83.8758881342346]
新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。
大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
論文 参考訳（メタデータ） (2023-07-27T13:18:47Z) - On Second-Order Scoring Rules for Epistemic Uncertainty Quantification [8.298716599039501]
本研究では,2次学習者が不確実性を忠実に表現する動機となる損失関数が存在しないことを示す。
この結果を証明するための主要な数学的ツールとして,2次スコアリングルールの一般化概念を導入する。
論文 参考訳（メタデータ） (2023-01-30T08:59:45Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳（メタデータ） (2022-04-05T12:52:45Z) - On the Difficulty of Epistemic Uncertainty Quantification in Machine
Learning: The Case of Direct Uncertainty Estimation through Loss Minimisation [8.298716599039501]
不確かさの定量化は機械学習で注目を集めている。
後者は学習者の知識(知識の欠如)を指し、特に測定と定量化が難しいようである。
損失最小化は2次予測器では有効でないことを示す。
論文 参考訳（メタデータ） (2022-03-11T17:26:05Z) - Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete
Events Based On Autoencoder [5.781280693720236]
侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。
離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。
解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
論文 参考訳（メタデータ） (2020-12-27T16:31:05Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z) - Predictive Business Process Monitoring via Generative Adversarial Nets:
The Case of Next Event Prediction [0.026249027950824504]
本稿では,次の事象予測の問題に対処するための,新たな逆トレーニングフレームワークを提案する。
これは、2人のプレイヤーのゲームで1つのニューラルネットワークをもう1つのニューラルネットワークと対戦させることで機能し、それは地上の真実と区別できない予測につながる。
単純なネットワークアーキテクチャとナイーブな特徴符号化を使用しても、正確さと予測のイヤーラインの両方において、体系的にすべてのベースラインを上回ります。
論文 参考訳（メタデータ） (2020-03-25T08:31:28Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。