Fugu-MT 論文翻訳(概要): Teaching Uncertainty Quantification in Machine Learning through Use Cases

論文の概要: Teaching Uncertainty Quantification in Machine Learning through Use Cases

arxiv url: http://arxiv.org/abs/2108.08712v1
Date: Thu, 19 Aug 2021 14:22:17 GMT
ステータス: 処理完了
システム内更新日: 2021-08-20 14:42:35.066313
Title: Teaching Uncertainty Quantification in Machine Learning through Use Cases
Title（参考訳）: 機械学習における不確実性定量化の活用事例
Authors: Matias Valdenegro-Toro
Abstract要約: 機械学習における不確実性は、一般的に機械学習コースのカリキュラムで一般的な知識として教えられるものではない。本稿では,機械学習における不確実性に関するコースの短いカリキュラムを提案し,そのコースをユースケースの選択で補完する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Uncertainty in machine learning is not generally taught as general knowledge in Machine Learning course curricula. In this paper we propose a short curriculum for a course about uncertainty in machine learning, and complement the course with a selection of use cases, aimed to trigger discussion and let students play with the concepts of uncertainty in a programming setting. Our use cases cover the concept of output uncertainty, Bayesian neural networks and weight distributions, sources of uncertainty, and out of distribution detection. We expect that this curriculum and set of use cases motivates the community to adopt these important concepts into courses for safety in AI.
Abstract（参考訳）: 機械学習の不確実性は、一般的に機械学習コースのカリキュラムで一般的な知識として教えられるものではない。本稿では、機械学習における不確実性に関するコースの短いカリキュラムを提案し、そのコースを一連のユースケースで補完し、議論の引き金となり、プログラミング環境における不確実性の概念を学生に体験させることを目的とする。我々のユースケースは、出力の不確実性、ベイズニューラルネットワーク、重み分布、不確実性源、分布検出外の概念をカバーしている。このカリキュラムと一連のユースケースは、コミュニティがこれらの重要な概念をAIの安全のためのコースに導入する動機になることを期待しています。

関連論文リスト

Uncertainties of Latent Representations in Computer Vision [2.33877878310217]
この論文は、事前訓練されたコンピュータビジョンモデルの潜在表現ベクトルにそれらを追加することで、不確実性推定を容易にアクセスできるようにする。観測不可能な潜在表現に関するこれらの観測不可能な不確実性は、確実に正しいことを示す。
論文参考訳（メタデータ） (2024-08-26T14:02:30Z)
UnUnlearning: Unlearning is not sufficient for content regulation in advanced generative AI [50.61495097098296]
大規模言語モデル(LLM)におけるアンラーニングのパラダイムを再考する。未学習の概念を導入し、未学習の知識を文脈内で再導入する。我々は、不寛容な知識に対するコンテンツフィルタリングが不可欠であり、正確な未学習スキームでさえ、効果的なコンテンツ規制には不十分であると主張している。
論文参考訳（メタデータ） (2024-06-27T10:24:35Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Sources of Uncertainty in Machine Learning -- A Statisticians' View [3.1498833540989413]
本論文は,機械学習に関連する2種類の不確実性について定式化することを目的とする。機械学習における統計的概念と不確実性の間の類似性を引き合いに出し、データの役割とその不確実性への影響を実証する。
論文参考訳（メタデータ） (2023-05-26T07:44:19Z)
Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文参考訳（メタデータ） (2023-03-03T16:12:59Z)
Generalized Uncertainty of Deep Neural Networks: Taxonomy and Applications [1.9671123873378717]
ディープニューラルネットワークの不確実性は、解釈可能性と透明性の感覚において重要であるだけでなく、パフォーマンスをさらに向上するためにも重要であることを示す。我々は、ディープニューラルネットワークの不確実性の定義を、入力またはインプットラベルペアに関連する任意の数またはベクトルに一般化し、そのような不確かさをディープモデルから「マイニングに関する既存の方法」をカタログ化する。
論文参考訳（メタデータ） (2023-02-02T22:02:33Z)
From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。私たちは、インテリジェンスを具体化するための課題と機会を強調します。本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文参考訳（メタデータ） (2021-10-28T16:04:01Z)
Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文参考訳（メタデータ） (2021-07-28T10:28:05Z)
Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文参考訳（メタデータ） (2020-10-19T13:09:31Z)
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。