Fugu-MT 論文翻訳(概要): Entropy methods for the confidence assessment of probabilistic classification models

論文の概要: Entropy methods for the confidence assessment of probabilistic classification models

arxiv url: http://arxiv.org/abs/2103.15157v1
Date: Sun, 28 Mar 2021 15:39:13 GMT
ステータス: 処理完了
システム内更新日: 2021-03-30 15:16:16.190946
Title: Entropy methods for the confidence assessment of probabilistic classification models
Title（参考訳）: 確率的分類モデルの信頼度評価のためのエントロピー法
Authors: Gabriele N. Tornetta
Abstract要約: このプロセスで破棄された情報の一部は、モデルの良さをさらに評価するために利用できると我々は主張する。本稿では, (ベルヌーリ) ネイブベイズ生成モデルに対する相補的アプローチで観測された信頼性劣化現象の理論的説明を行う。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Many classification models produce a probability distribution as the outcome of a prediction. This information is generally compressed down to the single class with the highest associated probability. In this paper, we argue that part of the information that is discarded in this process can be in fact used to further evaluate the goodness of models, and in particular the confidence with which each prediction is made. As an application of the ideas presented in this paper, we provide a theoretical explanation of a confidence degradation phenomenon observed in the complement approach to the (Bernoulli) Naive Bayes generative model.
Abstract（参考訳）: 多くの分類モデルは予測の結果として確率分布を生成する。この情報は一般に、最も高い関連する確率で単一のクラスに圧縮される。本稿では、このプロセスで破棄された情報の一部は、実際にモデルの良さ、特に各予測の信頼性を更に評価するために利用できると論じる。本稿では,本論文で提示された概念の応用として,(ベルヌーリ)ナイーブベイズ生成モデルに対する補完的アプローチで観測される信頼度低下現象の理論的説明を提案する。

関連論文リスト

Simple and Interpretable Probabilistic Classifiers for Knowledge Graphs [0.0]
本稿では,単純な信念ネットワークの学習に基づく帰納的アプローチについて述べる。このようなモデルを(確率的な)公理(あるいは規則)に変換する方法を示す。
論文参考訳（メタデータ） (2024-07-09T17:05:52Z)
Model-agnostic variable importance for predictive uncertainty: an entropy-based approach [1.912429179274357]
既存の説明可能性の手法が不確実性を考慮したモデルにどのように拡張できるかを示す。我々は、不確実性の原因とモデル性能への影響の両方を理解するために、これらのアプローチの有用性を実証する。
論文参考訳（メタデータ） (2023-10-19T15:51:23Z)
Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。核の基準は既存の手法よりも正確で堅牢であることを示す。
論文参考訳（メタデータ） (2023-02-02T13:30:48Z)
A Mathematical Framework for Learning Probability Distributions [0.0]
生成的モデリングと密度推定は近年非常にポピュラーな話題になっています本論文は、すべての有名なモデルを単純な原理に基づいて導出できる数学的枠組みを提供する。特に,これらのモデルが訓練中に暗黙的な正規化を楽しむことを証明し,早期停止時の一般化誤差が次元性の呪いを避ける。
論文参考訳（メタデータ） (2022-12-22T04:41:45Z)
Uncertainty Quantification for Rule-Based Models [0.03807314298073299]
ルールベースの分類モデルは、確率をモデル化し、統計モデルのように予測に変換するのではなく、直接値を予測する。本稿では,二項出力を持つ二項分類器をブラックボックスとして扱うメタモデルの形で不確実な定量化フレームワークを提案し,その推定に対する信頼度とともに,与えられた入力におけるそのベースモデルの予測精度を推定する。
論文参考訳（メタデータ） (2022-11-03T15:50:09Z)
Confidence estimation of classification based on the distribution of the neural network output layer [4.529188601556233]
現実の世界における予測モデルの適用を防ぐための最も一般的な問題の1つは一般化の欠如である。ニューラルネットワーク分類モデルにより生成された特定の予測の不確かさを推定する新しい手法を提案する。提案手法は,この予測に対応するロジット値の分布に基づいて,特定の予測の信頼性を推定する。
論文参考訳（メタデータ） (2022-10-14T12:32:50Z)
Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文参考訳（メタデータ） (2021-10-20T12:25:22Z)
PSD Representations for Effective Probability Models [117.35298398434628]
最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
論文参考訳（メタデータ） (2021-06-30T15:13:39Z)
Trusted Multi-View Classification [76.73585034192894]
本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
論文参考訳（メタデータ） (2021-02-03T13:30:26Z)
Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文参考訳（メタデータ） (2020-11-24T19:52:38Z)
Binary Classification from Positive Data with Skewed Confidence [85.18941440826309]
肯定的信頼度(Pconf)分類は、有望な弱教師付き学習法である。実際には、信頼はアノテーションプロセスで生じるバイアスによって歪められることがある。本稿では、スキュード信頼度のパラメータ化モデルを導入し、ハイパーパラメータを選択する方法を提案する。
論文参考訳（メタデータ） (2020-01-29T00:04:36Z)

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。