論文の概要: Accurate Prediction and Uncertainty Estimation using Decoupled
Prediction Interval Networks
- arxiv url: http://arxiv.org/abs/2202.09664v1
- Date: Sat, 19 Feb 2022 19:31:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-22 16:14:12.984382
- Title: Accurate Prediction and Uncertainty Estimation using Decoupled
Prediction Interval Networks
- Title（参考訳）: Decoupled Prediction Interval Networks を用いた精度予測と不確かさ推定
- Authors: Kinjal Patel, Steven Waslander
- Abstract要約: 精度を犠牲にすることなく、回帰に基づく予測の不確かさを確実に推定できるネットワークアーキテクチャを提案する。
予測と予測間隔(PI)推定の学習を2段階の学習プロセスに分解することで、これを実現する。
提案手法を,合成データセットおよびUCIベンチマーク上での最先端不確実性定量化アルゴリズムと比較し,予測誤差を23～34%削減した。
- 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: We propose a network architecture capable of reliably estimating uncertainty
of regression based predictions without sacrificing accuracy. The current
state-of-the-art uncertainty algorithms either fall short of achieving
prediction accuracy comparable to the mean square error optimization or
underestimate the variance of network predictions. We propose a decoupled
network architecture that is capable of accomplishing both at the same time. We
achieve this by breaking down the learning of prediction and prediction
interval (PI) estimations into a two-stage training process. We use a custom
loss function for learning a PI range around optimized mean estimation with a
desired coverage of a proportion of the target labels within the PI range. We
compare the proposed method with current state-of-the-art uncertainty
quantification algorithms on synthetic datasets and UCI benchmarks, reducing
the error in the predictions by 23 to 34% while maintaining 95% Prediction
Interval Coverage Probability (PICP) for 7 out of 9 UCI benchmark datasets. We
also examine the quality of our predictive uncertainty by evaluating on Active
Learning and demonstrating 17 to 36% error reduction on UCI benchmarks.
- Abstract（参考訳）: 精度を犠牲にすることなく、回帰に基づく予測の不確かさを確実に推定できるネットワークアーキテクチャを提案する。
現状の不確実性アルゴリズムは、平均二乗誤差最適化に匹敵する予測精度を達成するか、ネットワーク予測のばらつきを過小評価するかのどちらかである。
本稿では,両者を同時に実現可能な疎結合ネットワークアーキテクチャを提案する。
予測と予測間隔(PI)の推定の学習を2段階の学習プロセスに分解することで、これを実現する。
我々は、PI範囲内の対象ラベルの比率を所望のカバレッジで、最適化平均推定の周囲のPI範囲を学習するために、カスタム損失関数を使用する。
提案手法と,現在最先端の不確実性定量化アルゴリズムを合成データセットとUCIベンチマークで比較し,予測誤差を23～34%削減し,95%の予測区間被覆確率(PICP)を9つのUCIベンチマークデータセット中7つに維持した。
また、アクティブラーニングの評価により予測の不確実性の品質を検証し、uciベンチマークで17～36%の誤差低減を示す。
関連論文リスト
- PAC Prediction Sets Under Label Shift [52.30074177997787]
予測セットは、個々のラベルではなくラベルのセットを予測することによって不確実性を捉える。
ラベルシフト設定においてPAC保証付き予測セットを構築するための新しいアルゴリズムを提案する。
提案手法を5つのデータセットで評価する。
論文 参考訳（メタデータ） (2023-10-19T17:57:57Z) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T21:38:23Z) - Dual Accuracy-Quality-Driven Neural Network for Prediction Interval Generation [0.0]
本稿では,回帰に基づくニューラルネットワークの予測間隔を自動的に学習する手法を提案する。
我々の主な貢献は、PI世代ネットワークのための新しい損失関数の設計である。
合成データセット,8つのベンチマークデータセット,および実世界の収量予測データセットを用いて実験したところ,本手法は有意な確率カバレッジを維持することができた。
論文 参考訳（メタデータ） (2022-12-13T05:03:16Z) - Reliable Multimodal Trajectory Prediction via Error Aligned Uncertainty
Optimization [11.456242421204298]
よく校正されたモデルでは、不確実性推定はモデル誤差と完全に相関する。
本稿では,モデル誤差に整合した品質不確実性推定を導出するための,新しい誤差整合不確実性最適化手法を提案する。
本研究では, 平均変位誤差を1.69%, 4.69%, モデル誤差との不確実性相関を17.22%, 19.13%, ピアソン相関係数で定量化することにより, 平均変位誤差を1.69%, 4.69%改善することを示した。
論文 参考訳（メタデータ） (2022-12-09T12:33:26Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - PIVEN: A Deep Neural Network for Prediction Intervals with Specific
Value Prediction [14.635820704895034]
PIと値予測の両方を生成するディープニューラルネットワークであるPIVENを提案する。
提案手法では,PI内のデータ分布に関する仮定は行わず,実世界の様々な問題に対して,その価値予測をより効果的に行う。
論文 参考訳（メタデータ） (2020-06-09T09:29:58Z) - 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) - Estimating Uncertainty Intervals from Collaborating Networks [15.467208581231848]
本稿では,2つの損失関数を持つ2つのニューラルネットワークを定義することにより,回帰の予測分布を推定する新しい手法を提案する。
具体的には、あるネットワークは累積分布関数を近似し、2番目のネットワークはその逆を近似する。
我々は、糖尿病患者のA1c値を電子健康記録から予測するなど、CNを2つの合成および6つの実世界のデータセットに対するいくつかの一般的なアプローチと比較した。
論文 参考訳（メタデータ） (2020-02-12T20:10:27Z)
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。