論文の概要: Improving Prediction Confidence in Learning-Enabled Autonomous Systems

• arxiv url: http://arxiv.org/abs/2110.03123v1
• Date: Thu, 7 Oct 2021 00:40:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-09 07:43:58.449513
• Title: Improving Prediction Confidence in Learning-Enabled Autonomous Systems
• Title（参考訳）: 学習可能な自律システムの予測信頼度向上
• Authors: Dimitrios Boursinos and Xenofon Koutsoukos
• Abstract要約: 予測の信頼性を向上させるために,分類に使用される学習可能なコンポーネントと自律システムのセンサとのフィードバックループを利用する。 本稿では,三重項ネットワークアーキテクチャに基づく帰納的等角予測(ICP)を用いた分類器を設計し,テスト例とトレーニング例の類似性を定量化するための表現を学習する。 センサに新しい入力を問い合わせるフィードバックループを使用して、予測をさらに洗練し、分類精度を高める。
• 参考スコア（独自算出の注目度）: 2.66512000865131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous systems use extensively learning-enabled components such as deep neural networks (DNNs) for prediction and decision making. In this paper, we utilize a feedback loop between learning-enabled components used for classification and the sensors of an autonomous system in order to improve the confidence of the predictions. We design a classifier using Inductive Conformal Prediction (ICP) based on a triplet network architecture in order to learn representations that can be used to quantify the similarity between test and training examples. The method allows computing confident set predictions with an error rate predefined using a selected significance level. A feedback loop that queries the sensors for a new input is used to further refine the predictions and increase the classification accuracy. The method is computationally efficient, scalable to high-dimensional inputs, and can be executed in a feedback loop with the system in real-time. The approach is evaluated using a traffic sign recognition dataset and the results show that the error rate is reduced.
• Abstract（参考訳）: 自律システムは、予測と意思決定にディープニューラルネットワーク(dnn)など、幅広い学習可能なコンポーネントを使用する。 本稿では,予測の信頼性を向上させるために,分類に使用される学習可能なコンポーネントと自律システムのセンサとのフィードバックループを利用する。 テスト例とトレーニング例の類似性を定量化するために使用できる表現を学習するために,三重項ネットワークアーキテクチャに基づく帰納的等角予測(icp)を用いた分類器を設計した。 この方法により、選択された重要度レベルを用いて予め定義された誤差率で、信頼度セット予測を計算できる。 センサに新しい入力を問い合わせるフィードバックループは、予測をさらに洗練し、分類精度を高めるために使用される。 この方法は計算効率が高く、高次元入力にスケーラブルであり、システムとリアルタイムにフィードバックループで実行することができる。 本手法は,トラヒックサイン認識データセットを用いて評価し,誤差率を低減したことを示す。

関連論文リスト

• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Refining neural network predictions using background knowledge [68.35246878394702]
  学習システムにおける論理的背景知識を用いて,ラベル付きトレーニングデータの不足を補うことができることを示す。 そこで本研究では,修正された予測を元の予測に近い精度で検出する微分可能精細関数を提案する。 このアルゴリズムは、複雑なSATの公式に対して、非常に少ない繰り返しで最適に洗練され、勾配降下ができない解がしばしば見つかる。
  論文  参考訳（メタデータ） (2022-06-10T10:17:59Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Reliable Probability Intervals For Classification Using Inductive Venn Predictors Based on Distance Learning [2.66512000865131]
  Inductive Venn Predictors framework を用いて,各予測の正確性に関する確率区間をリアルタイムに計算する。 本稿では,高次元入力を含むアプリケーションにおける情報伝達確率区間を計算するための距離距離距離学習法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T00:51:43Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Cross-Validation and Uncertainty Determination for Randomized Neural Networks with Applications to Mobile Sensors [0.0]
  極端学習マシンは、限られたコンピュータリソースとグリーン機械学習の下で教師付き学習を行うための魅力的で効率的な方法を提供する。 このようなネットワークと回帰手法による教師あり学習について,一般化と予測誤差の整合性および境界性の観点から考察した。
  論文  参考訳（メタデータ） (2021-01-06T12:28:06Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)
• Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization [8.384351067134999]
  我々は、予測のための神経表現(NRP)フレームワークを定義し、オートエンコーダベースのレコメンデーションシステムに適用する。 また、NRPフレームワークを、ユーザやアイテム情報を再構成することなく評価を予測できる直接ニューラルネットワーク構造に適用する。 その結果、ニューラル表現は正規化よりも予測に優れており、NRPフレームワークと直接ニューラルネットワーク構造が組み合わさって、予測タスクにおける最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-12T23:12:49Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)
• Detecting Adversarial Examples in Learning-Enabled Cyber-Physical Systems using Variational Autoencoder for Regression [4.788163807490198]
  ディープニューラルネットワーク(DNN)は堅牢ではなく、敵対的な例によってモデルが誤った予測をする可能性があることが示されている。 本稿では,CPS の回帰に使用される LEC の逆例を効率よく検出する問題について考察する。 自動運転車用オープンソースシミュレータに実装された緊急ブレーキシステムを用いて,その手法を実証する。
  論文  参考訳（メタデータ） (2020-03-21T11:15:33Z)
• Trusted Confidence Bounds for Learning Enabled Cyber-Physical Systems [2.1320960069210484]
  インダクティブ・コンフォーマル予測(ICP)に基づく信頼度境界の計算手法を提案する。 我々はTriplet Networkアーキテクチャをトレーニングし、トレーニングデータセットにおけるテスト例とサンプルの類似性を推定するために使用できる入力データの表現を学習する。 次に、これらの表現を用いて、三重項で使用されるニューラルネットワークアーキテクチャに基づく分類器からセット予測の信頼性を推定する。
  論文  参考訳（メタデータ） (2020-03-11T04:31:10Z)

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。