論文の概要: Uncertainty Toolbox: an Open-Source Library for Assessing, Visualizing, and Improving Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2109.10254v1
• Date: Tue, 21 Sep 2021 15:32:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 14:32:44.641546
• Title: Uncertainty Toolbox: an Open-Source Library for Assessing, Visualizing, and Improving Uncertainty Quantification
• Title（参考訳）: 不確実性ツールボックス:不確実性定量化の評価、可視化、改善のためのオープンソースライブラリ
• Authors: Youngseog Chung, Ian Char, Han Guo, Jeff Schneider, Willie Neiswanger
• Abstract要約: Uncertainty Toolboxは、不確実性定量化を評価し、視覚化し、改善するのに役立つpythonライブラリである。 また、重要な用語の用語集や、重要な論文参照の組織化されたコレクションなど、教育的なリソースも提供する。
• 参考スコア（独自算出の注目度）: 15.35099402481255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing deployment of machine learning systems in various real-world tasks, there is a greater need for accurate quantification of predictive uncertainty. While the common goal in uncertainty quantification (UQ) in machine learning is to approximate the true distribution of the target data, many works in UQ tend to be disjoint in the evaluation metrics utilized, and disparate implementations for each metric lead to numerical results that are not directly comparable across different works. To address this, we introduce Uncertainty Toolbox, an open-source python library that helps to assess, visualize, and improve UQ. Uncertainty Toolbox additionally provides pedagogical resources, such as a glossary of key terms and an organized collection of key paper references. We hope that this toolbox is useful for accelerating and uniting research efforts in uncertainty in machine learning.
• Abstract（参考訳）: 様々な実世界のタスクにおける機械学習システムのデプロイの増加に伴い、予測の不確かさの正確な定量化の必要性が高まっている。 機械学習における不確実性定量化(uq)の共通の目標は、対象データの真の分布を近似することであるが、uqにおける多くの作業は、使用される評価メトリクスに無関係であり、各メトリックに対する異なる実装は、異なる作業間で直接比較されない数値結果につながる。 これに対処するために、我々は、uqの評価、可視化、改善を支援するオープンソースのpythonライブラリである不確実性ツールボックスを紹介します。 Uncertainty Toolboxは、キー用語の用語集やキーペーパー参照の整理されたコレクションなど、教育的なリソースも提供する。 このツールボックスは、機械学習における不確実性研究の加速と統合に役立ちたい。

関連論文リスト

• Truthful Meta-Explanations for Local Interpretability of Machine Learning Models [10.342433824178825]
  本稿では,忠実度に基づく計量である真理度測定に基づいて,局所的メタ説明手法を提案する。 本研究は,すべての概念を具体的に定義し,実験を通じて,技術と計量の両立を実証する。
  論文  参考訳（メタデータ） (2022-12-07T08:32:04Z)
• Unexpectedly Useful: Convergence Bounds And Real-World Distributed Learning [20.508003076947848]
  収束バウンダリは、現実世界の分散学習タスクのパフォーマンスを予測し、改善することができる。 境界に現れる量によっては、学習プロセスに最も貢献する可能性が高いクライアントを特定するのに非常に有用であることが判明した。 このことは、現実の分散学習タスクのパフォーマンスを改善するために収束境界を活用できる方法(しばしば直感に反する)について、さらなる研究が保証されていることを示唆している。
  論文  参考訳（メタデータ） (2022-12-05T10:55:25Z)
• 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)
• A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification [1.90365714903665]
  このハンズオン導入は、配布不要なUQの実践的な実装に関心のある読者を対象としている。 PyTorch構文で、Pythonで説明的なイラストやサンプル、コードサンプルを多数含みます。
  論文  参考訳（メタデータ） (2021-07-15T17:59:50Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Uncertainty Quantification 360: A Holistic Toolkit for Quantifying and Communicating the Uncertainty of AI [49.64037266892634]
  我々は、AIモデルの不確実性定量化のためのオープンソースのPythonツールキットUncertainty Quantification 360 (UQ360)について述べる。 このツールキットの目標は2つある: ひとつは、AIアプリケーション開発ライフサイクルにおける不確実性を定量化し、評価し、改善し、伝達する共通のプラクティスを育むとともに、合理化するための幅広い能力を提供すること、もうひとつは、信頼できるAIの他の柱とのUQの接続をさらに探求することである。
  論文  参考訳（メタデータ） (2021-06-02T18:29:04Z)
• Scaling up Memory-Efficient Formal Verification Tools for Tree Ensembles [2.588973722689844]
  ツール記述として提示されたVoTEアルゴリズムを形式化し拡張する。 コア検証エンジンからプロパティチェックを分離することで、汎用性のある要件の検証が可能となります。 数値認識と航空機衝突回避という2つのケーススタディで、このツールの適用を実証します。
  論文  参考訳（メタデータ） (2021-05-06T11:50:22Z)
• Distribution-Free, Risk-Controlling Prediction Sets [112.9186453405701]
  ユーザ特定レベルにおける将来のテストポイントにおける期待損失を制御するブラックボックス予測器から設定値予測を生成する方法を示す。 提案手法は,予測セットのサイズをキャリブレーションするホールドアウトセットを用いて,任意のデータセットに対して明確な有限サンプル保証を提供する。
  論文  参考訳（メタデータ） (2021-01-07T18:59:33Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。