論文の概要: Automation for Interpretable Machine Learning Through a Comparison of
Loss Functions to Regularisers
- arxiv url: http://arxiv.org/abs/2106.03428v1
- Date: Mon, 7 Jun 2021 08:50:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-09 09:13:23.638929
- Title: Automation for Interpretable Machine Learning Through a Comparison of
Loss Functions to Regularisers
- Title（参考訳）: 障害関数と正規化器の比較による解釈可能な機械学習の自動化
- Authors: A. I. Parkes, J. Camilleri, D. A. Hudson and A. J. Sobey
- Abstract要約: 本稿では、機械学習回帰自動化におけるFit to Median Errorの活用について検討する。
学習した入力-出力関係を条件中央値に規則化することで、解釈可能性を向上させる。
Fit to Median Errorのために最適化されたネットワークは、より一貫して基礎的な真実を近似することが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To increase the ubiquity of machine learning it needs to be automated.
Automation is cost-effective as it allows experts to spend less time tuning the
approach, which leads to shorter development times. However, while this
automation produces highly accurate architectures, they can be uninterpretable,
acting as `black-boxes' which produce low conventional errors but fail to model
the underlying input-output relationships -- the ground truth. This paper
explores the use of the Fit to Median Error measure in machine learning
regression automation, using evolutionary computation in order to improve the
approximation of the ground truth. When used alongside conventional error
measures it improves interpretability by regularising learnt input-output
relationships to the conditional median. It is compared to traditional
regularisers to illustrate that the use of the Fit to Median Error produces
regression neural networks which model more consistent input-output
relationships. The problem considered is ship power prediction using a
fuel-saving air lubrication system, which is highly stochastic in nature. The
networks optimised for their Fit to Median Error are shown to approximate the
ground truth more consistently, without sacrificing conventional Minkowski-r
error values.
- Abstract（参考訳）: 機械学習の普及のためには、自動化する必要がある。
自動化はコスト効率が良いため、専門家がアプローチのチューニングに費やす時間が少なくなり、開発時間が短縮される。
しかし、この自動化は高度に正確なアーキテクチャを生み出すが、それらは解釈不可能であり、従来のエラーが少ないが、基礎となる入出力関係をモデル化できない'ブラックボックス'として振る舞うことができる。
本稿では,機械学習の回帰自動化におけるFit to Median Error測度の利用について,基底真実の近似を改善するために進化的計算を用いて検討する。
従来の誤差測定と併用すると、条件付き中央値に対する学習された入出力関係を規則化することにより、解釈性が向上する。
Fit to Median Errorの使用により、より一貫性のある入出力関係をモデル化する回帰ニューラルネットワークが生成されることを示すために、従来の正規化システムと比較される。
問題は、自然に非常に確率的な、省燃性空気潤滑システムを用いた船舶の電力予測である。
Fit to Median Error に最適化されたネットワークは、従来の Minkowski-r エラー値を犠牲にすることなく、より一貫して基底真理を近似することが示されている。
関連論文リスト
- Automatic debiasing of neural networks via moment-constrained learning [0.0]
偏差推定器の回帰関数をネーティブに学習し,対象関数のサンプル平均値を取得する。
本稿では,自動脱バイアスの欠点に対処する新しいRR学習手法として,モーメント制約学習を提案する。
論文 参考訳（メタデータ） (2024-09-29T20:56:54Z) - Root Causing Prediction Anomalies Using Explainable AI [3.970146574042422]
本稿では,機械学習モデルにおける根源的性能劣化に対する説明可能なAI(XAI)の新たな応用法を提案する。
単一機能の破損は、カスケード機能、ラベル、コンセプトドリフトを引き起こす可能性がある。
我々は、パーソナライズされた広告に使用されるモデルの信頼性を向上させるために、この手法をうまく応用した。
論文 参考訳（メタデータ） (2024-03-04T19:38:50Z) - Accelerating Generalized Linear Models by Trading off Computation for
Uncertainty [29.877181350448193]
一般化線形モデル(GLM)は、分類的、順序的、連続的なデータをモデル化するための柔軟な確率的フレームワークを定義する。
結果の近似誤差はモデルの信頼性に悪影響を及ぼし、予測の不確実性を考慮しない。
このエラーを明示的にモデル化する反復的手法のファミリーを紹介します。
論文 参考訳（メタデータ） (2023-10-31T08:58:16Z) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳（メタデータ） (2023-02-23T18:57:14Z) - Self-supervised debiasing using low rank regularization [59.84695042540525]
純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。
ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。
注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
論文 参考訳（メタデータ） (2022-10-11T08:26:19Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Distribution Mismatch Correction for Improved Robustness in Deep Neural
Networks [86.42889611784855]
正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる
本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。
実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
論文 参考訳（メタデータ） (2021-10-05T11:36:25Z) - Autocalibration and Tweedie-dominance for Insurance Pricing with Machine
Learning [0.0]
逸脱の最小化には, 下位部分モーメントの重み付き差分の積分と, 特定のスケールで測定されたバイアスとのトレードオフが伴うことが示された。
バイアスを補正する新しい手法は、分析にさらに局所的なGLMステップを追加する。
凸順序は、競合するモデルを比較する自然なツールであるように見える。
論文 参考訳（メタデータ） (2021-03-05T12:40:30Z) - Error Autocorrelation Objective Function for Improved System Modeling [1.2760453906939444]
我々は,誤差を最小限に抑えるだけでなく,誤差間の相関を最小化する「ホワイトニング」コスト関数「Ljung-Box statistic」を導入する。
その結果、リカレントニューラルネットワーク(RNN)とイメージオートエンコーダ(2d)の一般化が大幅に改善された。
論文 参考訳（メタデータ） (2020-08-08T19:20:32Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z)
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。