論文の概要: A framework for benchmarking uncertainty in deep regression

• arxiv url: http://arxiv.org/abs/2109.09048v1
• Date: Fri, 10 Sep 2021 13:22:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-26 23:05:30.899946
• Title: A framework for benchmarking uncertainty in deep regression
• Title（参考訳）: 深部回帰における不確実性ベンチマークのためのフレームワーク
• Authors: Franko Schm\"ahling, J\"org Martin, Clemens Elster
• Abstract要約: 深部回帰における不確実性定量化の評価のための枠組みを提案する。 深部回帰のための不確実性定量化の結果を, 統計的基準法により得られた値と比較した。
• 参考スコア（独自算出の注目度）: 0.618778092044887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a framework for the assessment of uncertainty quantification in deep regression. The framework is based on regression problems where the regression function is a linear combination of nonlinear functions. Basically, any level of complexity can be realized through the choice of the nonlinear functions and the dimensionality of their domain. Results of an uncertainty quantification for deep regression are compared against those obtained by a statistical reference method. The reference method utilizes knowledge of the underlying nonlinear functions and is based on a Bayesian linear regression using a reference prior. Reliability of uncertainty quantification is assessed in terms of coverage probabilities, and accuracy through the size of calculated uncertainties. We illustrate the proposed framework by applying it to current approaches for uncertainty quantification in deep regression. The flexibility, together with the availability of a reference solution, makes the framework suitable for defining benchmark sets for uncertainty quantification.
• Abstract（参考訳）: 深部回帰における不確実性定量化の評価のための枠組みを提案する。 このフレームワークは回帰関数が非線形関数の線形結合である回帰問題に基づいている。 基本的に、任意の複雑性レベルは、非線形関数の選択とそれらの領域の次元によって実現できる。 深い回帰に対する不確実性定量化の結果を統計的基準法で求めた結果と比較する。 基準法は、基礎となる非線形関数の知識を利用し、基準先行を用いたベイズ線形回帰に基づく。 不確実性定量化の信頼性は、計算された不確実性の大きさによるカバレッジ確率と精度で評価される。 深回帰における不確実性定量化の現在の手法に適用し,提案手法について述べる。 この柔軟性は、参照ソリューションの可用性とともに、不確実性定量化のためのベンチマークセットを定義するのにフレームワークを適させる。

関連論文リスト

• A variational Bayes approach to debiased inference for low-dimensional parameters in high-dimensional linear regression [2.7498981662768536]
  疎線形回帰における統計的推測のためのスケーラブルな変分ベイズ法を提案する。 我々のアプローチは、平均場近似をニュアンス座標に割り当てることに依存している。 これは前処理のステップに過ぎず、平均場変動ベイズの計算上の優位性を保っている。
  論文  参考訳（メタデータ） (2024-06-18T14:27:44Z)
• Beyond the Norms: Detecting Prediction Errors in Regression Models [26.178065248948773]
  本稿では,回帰アルゴリズムにおける信頼できない振る舞いを検出するという課題に取り組む。 回帰器の出力が特定の不一致(または誤り)を超えた場合、回帰における不確実性の概念を導入する。 複数の回帰タスクに対する誤り検出の実証的改善を示す。
  論文  参考訳（メタデータ） (2024-06-11T05:51:44Z)
• Robust Regression over Averaged Uncertainty [7.4489490661717355]
  この定式化は隆起回帰を正確に回復し、既存の回帰問題に対するロバスト最適化と平均二乗誤差アプローチの欠落するリンクを確立する。 正確な閉形式、場合によっては $ell_p$ norm, Schatten $p$-norm, and general polytopes によって誘導される不確実集合の下での同値な正則化強度に対する解析的解を提供する。
  論文  参考訳（メタデータ） (2023-11-12T20:57:30Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Beta quantile regression for robust estimation of uncertainty in the presence of outliers [1.6377726761463862]
  量子回帰(Quantile Regression)は、ディープニューラルネットワークにおけるアレタリック不確実性を推定するために用いられる。 本稿では、頑健な分散の概念を取り入れた量子レグレッションのためのロバストな解を提案する。
  論文  参考訳（メタデータ） (2023-09-14T01:18:57Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Benign overfitting and adaptive nonparametric regression [71.70323672531606]
  本研究では,データポイントを高い確率で補間する連続関数である推定器を構築する。 我々は未知の滑らかさに適応してH"古いクラスのスケールにおいて平均2乗リスクの下で最小値の最適速度を得る。
  論文  参考訳（メタデータ） (2022-06-27T14:50:14Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)
• Confounding-Robust Policy Evaluation in Infinite-Horizon Reinforcement Learning [70.01650994156797]
  教育医療などのバッチ強化学習において、観察データからのシーケンシャルな意思決定方針のオフ・アセスメントが必要である。 我々は、ある政策の境界を推定するアプローチを開発する。 より凝縮したデータを集めることで、シャープな境界への収束を証明します。
  論文  参考訳（メタデータ） (2020-02-11T16:18:14Z)

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。