Fugu-MT 論文翻訳(概要): Improving Regression Uncertainty Estimation Under Statistical Change

論文の概要: Improving Regression Uncertainty Estimation Under Statistical Change

arxiv url: http://arxiv.org/abs/2109.08213v1
Date: Thu, 16 Sep 2021 20:32:58 GMT
ステータス: 処理完了
システム内更新日: 2021-09-20 14:49:24.486065
Title: Improving Regression Uncertainty Estimation Under Statistical Change
Title（参考訳）: 統計的変化による回帰不確かさ推定の改善
Authors: Tony Tohme, Kevin Vanslette, Kamal Youcef-Toumi
Abstract要約: ベイジアン・バリデーション・メトリック・フレームワークに基づく回帰不確かさ推定のための損失関数を提案し,実装する。 In-distriionデータに関する一連の実験により,提案手法は既存の最先端手法と競合することを示した。
参考スコア（独自算出の注目度）: 7.734726150561088
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While deep neural networks are highly performant and successful in a wide range of real-world problems, estimating their predictive uncertainty remains a challenging task. To address this challenge, we propose and implement a loss function for regression uncertainty estimation based on the Bayesian Validation Metric (BVM) framework while using ensemble learning. A series of experiments on in-distribution data show that the proposed method is competitive with existing state-of-the-art methods. In addition, experiments on out-of-distribution data show that the proposed method is robust to statistical change and exhibits superior predictive capability.
Abstract（参考訳）: ディープニューラルネットワークは、幅広い現実世界の問題において高いパフォーマンスと成功をおさめているが、予測の不確実性の推定は依然として難しい課題である。この課題に対処するために, アンサンブル学習を用いてベイズ検証メトリクス(BVM)フレームワークに基づく回帰不確かさ推定のための損失関数を提案し, 実装する。 In-distriionデータに関する一連の実験により,提案手法は既存の最先端手法と競合することを示した。さらに, 分布外データを用いた実験により, 提案手法は統計的変化に対して頑健であり, 予測能力に優れていた。

関連論文リスト

Uncertainty Quantification via Hölder Divergence for Multi-View Representation Learning [18.419742575630217]
本稿では,H"older Divergence (HD)に基づく新しいアルゴリズムを導入し,多視点学習の信頼性を高める。デンプスター・シェーファー理論を通じて、異なるモダリティからの不確実性の統合により、包括的な結果が生成される。数学的には、HDは実際のデータ分布とモデルの予測分布の間の距離'をよりよく測定できることを証明している。
論文参考訳（メタデータ） (2024-10-29T04:29:44Z)
Model Free Prediction with Uncertainty Assessment [7.524024486998338]
そこで本研究では,深部推定パラダイムを条件付き平均推定を行うプラットフォームに変換する新しいフレームワークを提案する。本研究では, 条件付き拡散モデルに対する終端収束率を開発し, 生成した試料の正規性を確立する。数値実験により,提案手法の有効性を実証的に検証した。
論文参考訳（メタデータ） (2024-05-21T11:19:50Z)
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)
Adaptive Uncertainty Estimation via High-Dimensional Testing on Latent Representations [28.875819909902244]
不確実性推定は、訓練されたディープニューラルネットワークの信頼性を評価することを目的としている。既存の不確実性推定アプローチは、低次元分布仮定に依存している。本研究では,不確実性推定のためのデータ適応型高次元仮説テストを用いた新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-10-25T12:22:18Z)
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)
Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。 RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
論文参考訳（メタデータ） (2023-02-28T13:17:56Z)
How Reliable is Your Regression Model's Uncertainty Under Real-World Distribution Shifts? [46.05502630457458]
本研究では,異なるタイプの分散シフトを伴う8つの画像ベース回帰データセットのベンチマークを提案する。分散シフトがない場合、メソッドは十分に校正されているが、ベンチマークデータセットの多くに非常に自信が持たれていることが分かっています。
論文参考訳（メタデータ） (2023-02-07T18:54:39Z)
Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。歴史的情報を適切に再利用するオンライン手法を提案する。我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
論文参考訳（メタデータ） (2023-02-06T04:03:33Z)
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)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。