論文の概要: Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference

• arxiv url: http://arxiv.org/abs/2107.10384v1
• Date: Wed, 21 Jul 2021 22:47:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 23:34:14.786265
• Title: Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference
• Title（参考訳）: アンサンブルに基づく不確実性定量化:ベイジアン対クレダル推論
• Authors: Mohammad Hossein Shaker and Eyke H\"ullermeier
• Abstract要約: 我々は、不確実性定量化に対するアンサンブルに基づくアプローチを検討する。 具体的には,いわゆる干潟集合に基づくベイズ的手法とアプローチに着目する。 拒否オプションを用いた分類に関する実証的研究において, 対応する尺度の有効性を評価し, 比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The idea to distinguish and quantify two important types of uncertainty, often referred to as aleatoric and epistemic, has received increasing attention in machine learning research in the last couple of years. In this paper, we consider ensemble-based approaches to uncertainty quantification. Distinguishing between different types of uncertainty-aware learning algorithms, we specifically focus on Bayesian methods and approaches based on so-called credal sets, which naturally suggest themselves from an ensemble learning point of view. For both approaches, we address the question of how to quantify aleatoric and epistemic uncertainty. The effectiveness of corresponding measures is evaluated and compared in an empirical study on classification with a reject option.
• Abstract（参考訳）: 2つの重要な不確実性を区別し、定量化するアイデアは、しばしばアレタリック(aleatoric)とてんかん( epistemic)と呼ばれ、ここ数年で機械学習の研究で注目を集めている。 本稿では,不確実性定量化に対するアンサンブルに基づくアプローチを検討する。 異なるタイプの不確実性認識学習アルゴリズムを区別するため,我々はベイズ的手法と,いわゆるクレダル集合に基づくアプローチに着目し,自然にアンサンブル学習の観点から自らを示唆する。 どちらのアプローチも、アラート性およびてんかん性不確実性をどのように定量化するかという問題に対処する。 拒否オプションを用いた分類に関する実証的研究において, 対応する尺度の有効性を評価し, 比較した。

関連論文リスト

• Label-wise Aleatoric and Epistemic Uncertainty Quantification [15.642370299038488]
  本稿では,不確実性尺度のラベルワイズ分解に基づく分類タスクにおける不確実性定量化手法を提案する。 提案手法は,いくつかの望ましい特性に則っていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T14:33:23Z)
• A unified uncertainty-aware exploration: Combining epistemic and aleatory uncertainty [21.139502047972684]
  そこで本稿では, リスク感応探索における浮腫性およびてんかん性不確実性の複合効果を定量的に評価するアルゴリズムを提案する。 本手法は,パラメータ化された回帰分布を推定する分布RLの新たな拡張の上に構築する。 探索課題とリスク課題を伴う課題に対する実験結果から,本手法が代替手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-01-05T17:39:00Z)
• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Measuring Classification Decision Certainty and Doubt [61.13511467941388]
  複数分類決定機械学習問題における予測の品質と不確実性を評価し,比較するため,直感的なスコアを提案する。
  論文  参考訳（メタデータ） (2023-03-25T21:31:41Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• What is Flagged in Uncertainty Quantification? Latent Density Models for Uncertainty Categorization [68.15353480798244]
  不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。 近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。 分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-11T19:47:00Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• Pitfalls of In-Domain Uncertainty Estimation and Ensembling in Deep Learning [70.72363097550483]
  本研究では,画像分類における領域内不確実性に着目した。 そこで本研究では,ディープアンサンブル等価スコア(DEE)を導入する。
  論文  参考訳（メタデータ） (2020-02-15T23:28:19Z)
• Aleatoric and Epistemic Uncertainty with Random Forests [3.1410342959104725]
  本研究では,予測における学習者の失語症・てんかんの不確実性を測定するための2つのアプローチを,決定木やランダム林を用いてインスタンス化する方法を示す。 本稿では,これとよく似た目的に利用されてきた深層ニューラルネットワークを用いて,ランダムな森林を比較検討する。
  論文  参考訳（メタデータ） (2020-01-03T17:08:44Z)

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。