論文の概要: $\delta$-CLUE: Diverse Sets of Explanations for Uncertainty Estimates

• arxiv url: http://arxiv.org/abs/2104.06323v1
• Date: Tue, 13 Apr 2021 16:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-14 13:49:49.922080
• Title: $\delta$-CLUE: Diverse Sets of Explanations for Uncertainty Estimates
• Title（参考訳）: $\delta$-clue:不確実性推定のための様々な説明セット
• Authors: Dan Ley, Umang Bhatt, Adrian Weller
• Abstract要約: オリジナルCLUEアプローチを拡張して、$delta$-CLUEと呼ぶものを提供します。 代わりに、実行可能な CLUE のエンフレーズセットを返します。複数の多様な入力は、潜時空間の元の入力の $delta$ ボール内にあります。
• 参考スコア（独自算出の注目度）: 31.241489953967694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To interpret uncertainty estimates from differentiable probabilistic models, recent work has proposed generating Counterfactual Latent Uncertainty Explanations (CLUEs). However, for a single input, such approaches could output a variety of explanations due to the lack of constraints placed on the explanation. Here we augment the original CLUE approach, to provide what we call $\delta$-CLUE. CLUE indicates \emph{one} way to change an input, while remaining on the data manifold, such that the model becomes more confident about its prediction. We instead return a \emph{set} of plausible CLUEs: multiple, diverse inputs that are within a $\delta$ ball of the original input in latent space, all yielding confident predictions.
• Abstract（参考訳）: 微分確率モデルからの不確実性推定を解釈するために、近年の研究では、非現実的非確実性説明(CLUE)の生成を提案する。 しかし、単一入力の場合、そのような手法は説明に制約が加えられていないため、様々な説明を出力できる。 ここでは、オリジナルのCLUEアプローチを拡張し、$\delta$-CLUEと呼ぶものを提供します。 CLUEは入力を変更するための 'emph{one} の方法を示し、データ多様体に留まり、モデルがその予測に対してより自信を持つようになる。 代わりに、可算 CLUE の \emph{set} を返します: 複数の多種多様な入力は、潜在空間における元の入力の$$\delta$ボール内にあり、いずれも確実な予測をもたらす。

関連論文リスト

• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Variational Prediction [95.00085314353436]
  本稿では,変動境界を用いた後部予測分布に対する変動近似の学習手法を提案する。 このアプローチは、テスト時間の限界化コストを伴わずに、優れた予測分布を提供することができる。
  論文  参考訳（メタデータ） (2023-07-14T18:19:31Z)
• Conformalization of Sparse Generalized Linear Models [2.1485350418225244]
  等角予測法は、任意の有限サンプルサイズに対して有効である$y_n+1$の信頼セットを推定する。 魅力的ではあるが、そのような集合の計算は多くの回帰問題において計算不可能である。 経路追従アルゴリズムが共形予測集合を正確に近似する方法を示す。
  論文  参考訳（メタデータ） (2023-07-11T08:36:12Z)
• Connect the Dots: Tighter Discrete Approximations of Privacy Loss Distributions [49.726408540784334]
  PLDベースの会計の鍵となる問題は、特定の個別サポートに対してPLDと(潜在的に連続的な)PLDをどのように近似するかである。 悲観的推定はすべての悲観的推定の中で最良であることを示す。
  論文  参考訳（メタデータ） (2022-07-10T04:25:02Z)
• Fair Wrapping for Black-box Predictions [105.10203274098862]
  予測を修飾するα木として定義したラッパー関数を学習する。 この修正は, アルファツリーの構成, 一般化, 解釈可能性, および修正された予測とオリジナル予測のKLの相違に関して, 魅力的な性質を有することを示す。
  論文  参考訳（メタデータ） (2022-01-31T01:02:39Z)
• Stable Conformal Prediction Sets [0.0]
  同型予測は、$y_n+1$$$x_n+1$の信頼セットを推定できる方法論である。 魅力的である一方、そのような集合の計算は一般に不可能であることが判明した。 共形予測手法をアルゴリズム的安定性境界と組み合わせて、単一のモデルに適合する計算可能な予測セットを導出する。
  論文  参考訳（メタデータ） (2021-12-19T18:53:32Z)
• Diverse, Global and Amortised Counterfactual Explanations for Uncertainty Estimates [31.241489953967694]
  このような集合の多様性を研究し、多くの CLUE が冗長であることを示す。 そこで我々は,不確実な入力の特定のグループに対する償却写像を学習する,GLobal AMortized CLUE (GLAM-CLUE) を提案する。 実験の結果,$delta$-CLUE,$nabla$-CLUE,およびGLAM-CLUEはすべて,CLUEの欠点に対処し,不確実性推定を実践者に有益に説明できることを示した。
  論文  参考訳（メタデータ） (2021-12-05T18:27:21Z)
• Consistent Sufficient Explanations and Minimal Local Rules for explaining regression and classification models [0.0]
  我々は確率的十分説明(P-SE)の概念を拡張した P-SEの要点は、同じ予測を維持する条件確率を計算することである。 我々は、$X$の分布を学ばず、予測を行うモデルも持たない非バイナリ機能に対処する。
  論文  参考訳（メタデータ） (2021-11-08T17:27:52Z)
• $\Delta$-UQ: Accurate Uncertainty Quantification via Anchor Marginalization [40.581619201120716]
  予測モデルにおけるアンカーの概念を用いた新規で汎用的な不確実性推定器であるDelta$UQを提案する。 この不確実性は、入力データの不適切なサンプリングと固有のノイズと深く結びついているので、あらゆるシステムにおける完全な不確実性を評価することができる。
  論文  参考訳（メタデータ） (2021-10-05T17:44:31Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• 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。