論文の概要: A Study on Mitigating Hard Boundaries of Decision-Tree-based Uncertainty
Estimates for AI Models
- arxiv url: http://arxiv.org/abs/2201.03263v1
- Date: Mon, 10 Jan 2022 10:29:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 14:48:23.348761
- Title: A Study on Mitigating Hard Boundaries of Decision-Tree-based Uncertainty
Estimates for AI Models
- Title(参考訳): aiモデルにおける決定木に基づく不確実性推定のハードバウンダリ緩和に関する研究
- Authors: Pascal Gerber, Lisa J\"ockel, Michael Kl\"as
- Abstract要約: 不確実性ラッパーは、入力品質に関連する不確実性をクラスタ化するための決定木アプローチを使用し、異なる不確実性クラスタに厳密に入力を割り当てる。
我々の目標は、解釈可能性、ランタイムの複雑さ、予測性能を維持しながら、ハードな決定境界を緩和するアプローチに置き換えることです。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Outcomes of data-driven AI models cannot be assumed to be always correct. To
estimate the uncertainty in these outcomes, the uncertainty wrapper framework
has been proposed, which considers uncertainties related to model fit, input
quality, and scope compliance. Uncertainty wrappers use a decision tree
approach to cluster input quality related uncertainties, assigning inputs
strictly to distinct uncertainty clusters. Hence, a slight variation in only
one feature may lead to a cluster assignment with a significantly different
uncertainty. Our objective is to replace this with an approach that mitigates
hard decision boundaries of these assignments while preserving
interpretability, runtime complexity, and prediction performance. Five
approaches were selected as candidates and integrated into the uncertainty
wrapper framework. For the evaluation based on the Brier score, datasets for a
pedestrian detection use case were generated using the CARLA simulator and
YOLOv3. All integrated approaches achieved a softening, i.e., smoothing, of
uncertainty estimation. Yet, compared to decision trees, they are not so easy
to interpret and have higher runtime complexity. Moreover, some components of
the Brier score impaired while others improved. Most promising regarding the
Brier score were random forests. In conclusion, softening hard decision tree
boundaries appears to be a trade-off decision.
- Abstract(参考訳): データ駆動型AIモデルの成果は常に正しいとは考えられない。
これらの結果の不確実性を評価するために、モデル適合性、入力品質、スコープコンプライアンスに関する不確実性を考慮した不確実性ラッパーフレームワークが提案されている。
不確実性ラッパーは、クラスタの入力品質に関連する不確実性に決定木アプローチを使い、特定の不確実性クラスタに厳密に入力を割り当てる。
したがって、1つの特徴のわずかな変化は、かなり異なる不確実性を持つクラスタ割り当てにつながる可能性がある。
我々の目標は、解釈可能性、ランタイムの複雑さ、予測性能を維持しながら、これらの割り当てのハードな決定境界を緩和するアプローチに置き換えることです。
5つのアプローチが候補として選ばれ、不確実性ラッパーフレームワークに統合された。
brierスコアに基づく評価では,carlaシミュレータとyolov3を用いて歩行者検出ユースケースのデータセットを作成した。
すべての統合アプローチは、不確実性推定の軟化、すなわち平滑化を達成した。
しかし、決定木と比較すると、解釈は簡単ではなく、実行時の複雑さが高い。
さらに、ブライアスコアの一部が故障し、他の部分も改善した。
ブライアのスコアで最も有望なのは無作為な森林だった。
結論として,硬い決定木の境界の軟化はトレードオフ決定であると考えられる。
関連論文リスト
- Robust Design and Evaluation of Predictive Algorithms under Unobserved
Confounding [3.1133049660590615]
本稿では,選択的に観測されたデータにおける予測アルゴリズムの頑健な設計と評価のための統一手法を提案する。
提案手法は, 選択されていない単位と選択された単位の平均値によって, 結果がどの程度異なるか, という一般的な仮定を与える。
観測不能な共起に関する様々な仮定が、デフォルトリスク予測や、センシティブなグループ間での信用スコアの評価に有意義な変化をもたらすことを示す。
論文 参考訳(メタデータ) (2022-12-19T20:41:44Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳(メタデータ) (2022-09-22T04:32:51Z) - 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) - CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。
本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。
私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文 参考訳(メタデータ) (2021-10-04T17:59:31Z) - Ensemble Quantile Networks: Uncertainty-Aware Reinforcement Learning
with Applications in Autonomous Driving [1.6758573326215689]
強化学習は、自律運転のための意思決定エージェントを作成するために使用できる。
これまでのアプローチではブラックボックスソリューションのみを提供しており、エージェントがその決定に対する自信について情報を提供していない。
本稿では,分布RLとアンサンブルアプローチを組み合わせて完全不確実性推定を行うEnsemble Quantile Networks (EQN)法を提案する。
論文 参考訳(メタデータ) (2021-05-21T10:36:16Z) - Data-Driven Robust Optimization using Unsupervised Deep Learning [0.0]
逆問題に対して凸混合整数プログラムとして定式化することにより、トレーニングされたニューラルネットワークをロバストな最適化モデルに統合できることを示す。
このアプローチは、カーネルベースのサポートベクターセットを用いて、同様のアプローチより優れていることが判明した。
論文 参考訳(メタデータ) (2020-11-19T11:06:54Z) - Revisiting One-vs-All Classifiers for Predictive Uncertainty and
Out-of-Distribution Detection in Neural Networks [22.34227625637843]
識別型分類器における確率のパラメトリゼーションが不確実性推定に与える影響について検討する。
画像分類タスクのキャリブレーションを改善するために, 1-vs-all の定式化が可能であることを示す。
論文 参考訳(メタデータ) (2020-07-10T01:55:02Z) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳(メタデータ) (2020-06-28T13:49:30Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳(メタデータ) (2020-05-21T16:08:38Z) - 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) - Dirichlet uncertainty wrappers for actionable algorithm accuracy
accountability and auditability [0.5156484100374058]
本研究では,不確実性の尺度を用いて出力予測を充実させるラッパーを提案する。
結果の不確実性に基づいて、より確実な予測を選択する拒絶制度を提唱する。
その結果,ラッパーが計算した不確実性の有効性が示された。
論文 参考訳(メタデータ) (2019-12-29T11:05:47Z)
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。