論文の概要: Decomposing Representations for Deterministic Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2112.00856v1
• Date: Wed, 1 Dec 2021 22:12:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-04 08:01:54.828620
• Title: Decomposing Representations for Deterministic Uncertainty Estimation
• Title（参考訳）: 決定論的不確実性推定のための分解表現
• Authors: Haiwen Huang, Joost van Amersfoort, Yarin Gal
• Abstract要約: 我々は,現在の特徴密度に基づく不確実性推定器は,様々なOoD検出設定で一貫した性能を発揮できないことを示す。 本稿では,学習した表現を分解し,それらを個別に推定した不確実性を統合することを提案する。
• 参考スコア（独自算出の注目度）: 34.11413246048065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty estimation is a key component in any deployed machine learning system. One way to evaluate uncertainty estimation is using "out-of-distribution" (OoD) detection, that is, distinguishing between the training data distribution and an unseen different data distribution using uncertainty. In this work, we show that current feature density based uncertainty estimators cannot perform well consistently across different OoD detection settings. To solve this, we propose to decompose the learned representations and integrate the uncertainties estimated on them separately. Through experiments, we demonstrate that we can greatly improve the performance and the interpretability of the uncertainty estimation.
• Abstract（参考訳）: 不確実性推定は、デプロイされた機械学習システムにおいて重要なコンポーネントである。 不確実性推定を評価する一つの方法は、不確実性を用いたトレーニングデータ分布と認識されていない異なるデータ分布を区別する"out-of-distribution"(ood)検出を使用することである。 本研究では,現在の特徴密度に基づく不確実性推定器では,異なるood検出設定において一貫した動作ができないことを示す。 そこで本研究では,学習表現を分解し,それに基づいて推定される不確かさを別々に統合することを提案する。 実験により,不確実性推定の性能と解釈性を大幅に向上できることを実証する。

関連論文リスト

• Probabilistic Contrastive Learning with Explicit Concentration on the Hypersphere [3.572499139455308]
  本稿では,球面空間に表現を埋め込むことにより,不確実性を比較学習に取り入れる新たな視点を提案する。 我々は、濃度パラメータであるカッパを直接解釈可能な尺度として利用し、不確実性を明示的に定量化する。
  論文  参考訳（メタデータ） (2024-05-26T07:08:13Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Learning the Distribution of Errors in Stereo Matching for Joint Disparity and Uncertainty Estimation [8.057006406834466]
  深部ステレオマッチングにおける関節不均一性と不確実性評価のための新しい損失関数を提案する。 提案手法の有効性を実験的に評価し,大規模データセット上での差分予測と不確実性予測の両面で有意な改善を観察した。
  論文  参考訳（メタデータ） (2023-03-31T21:58:19Z)
• How certain are your uncertainties? [0.3655021726150368]
  ディープラーニング手法の出力の不確実性の尺度は、いくつかの点で有用である。 本研究では、これらの不確実性の測定の安定性について、大きさと空間パターンの両方の観点から検討する。
  論文  参考訳（メタデータ） (2022-03-01T05:25:02Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• 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)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。