論文の概要: Can a single neuron learn quantiles?

• arxiv url: http://arxiv.org/abs/2106.03702v1
• Date: Mon, 7 Jun 2021 15:12:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 02:42:15.362263
• Title: Can a single neuron learn quantiles?
• Title（参考訳）: 単一ニューロンは量子論を学ぶことができるか?
• Authors: Edgardo Solano-Carrillo
• Abstract要約: 単一ユニットからなる最小限のニューラルネットワークアーキテクチャに基づいて、連続確率変数に対する新しい非パラメトリック量子化推定法を導入する。 回帰の文脈では、分割された共形予測設定の下で予測の不確かさを定量化するためにこの手法を用いることができる。 ベンチマーク実験は、この手法が最先端のソリューションと品質とカバレッジの競争力があることを実証している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A novel non-parametric quantile estimation method for continuous random variables is introduced, based on a minimal neural network architecture consisting of a single unit. Its advantage over estimations from ranking the order statistics is shown, specifically for small sample size. In a regression context, the method can be used to quantify predictive uncertainty under the split conformal prediction setting, where prediction intervals are estimated from the residuals of a pre-trained model on a held-out validation set to quantify the uncertainty in future predictions. Benchmarking experiments demonstrate that the method is competitive in quality and coverage with state-of-the-art solutions, with the added benefit of being more computationally efficient.
• Abstract（参考訳）: 単一ユニットからなる最小限のニューラルネットワークアーキテクチャに基づいて、連続確率変数に対する新しい非パラメトリック量子化推定法を導入する。 順序統計のランク付けによる推定に対する優位性は、特に小さなサンプルサイズに対して示される。 回帰文脈では、予測区間を事前学習したモデルの残差から推定し、将来の予測の不確かさを定量化するために、分割等角予測設定の下で予測の不確実性を定量化することができる。 ベンチマーク実験により、この手法は最先端のソリューションと品質とカバレッジの競争力があり、より計算効率が良いという利点が示された。

関連論文リスト

• Prediction-Powered Inference [75.85969077788283]
  統計的推論を有効なものにするためのフレームワークとして,予測による推論をx2013$で導入する。 我々のフレームワークは、予測を提供する機械学習アルゴリズムを仮定することなく、証明可能な結論を得る。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• 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)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• PI3NN: Prediction intervals from three independently trained neural networks [4.714371905733244]
  本稿では,3つの独立学習ニューラルネットワークから予測平均値,下限,上限の予測区間を学習するための新しい予測区間法を提案する。 本手法では,データに対する分布仮定は必要とせず,ニューラルネットワークモデルや損失関数に異常なハイパーパラメータを導入することはない。 ベンチマーク回帰問題に対する数値実験により,本手法は予測的不確実性,頑健性,分布外サンプルの同定において,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-05T00:55:20Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Short-term prediction of Time Series based on bounding techniques [0.0]
  本稿では,新しい非パラメトリック手法を用いて時系列フレームワークの予測問題を再考する。 この革新は、予測誤差の上限を得るために、決定論的および決定論的確率的仮定の両方を考慮することである。 提案する予測器が予測スキームにおいて適切な結果を得ることができ、古典的非パラメトリック法に対する興味深い代替手段であることを示すためのベンチマークを含む。
  論文  参考訳（メタデータ） (2021-01-26T11:27:36Z)
• The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals [51.71066839337174]
  既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。 本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。 提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T12:11:27Z)
• Conformal Prediction Intervals for Neural Networks Using Cross Validation [0.0]
  ニューラルネットワークは、教師付き学習問題に対処するために使用される最も強力な非線形モデルの一つである。 ニューラルネットワークの予測区間を$k$-foldのクロスバリデーションに基づいて構築するための$k$-fold予測区間法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T16:23:28Z)

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。