論文の概要: Out of Distribution Detection, Generalization, and Robustness Triangle with Maximum Probability Theorem

• arxiv url: http://arxiv.org/abs/2203.12145v1
• Date: Wed, 23 Mar 2022 02:42:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 13:45:50.691178
• Title: Out of Distribution Detection, Generalization, and Robustness Triangle with Maximum Probability Theorem
• Title（参考訳）: 最大確率理論による分布検出・一般化・ロバスト性三角形の展開
• Authors: Amir Emad Marvasti, Ehsan Emad Marvasti, Ulas Bagci
• Abstract要約: MPTは、モデルが確率変数に仮定する確率分布を用いて、モデルの確率の上限を与える。 我々は,MPTをCNNのトレーニングにおける正規化スキームとして組み込むことにより,コンピュータビジョンにおけるアウト・オブ・ディストリビューション(OOD)検出問題に挑戦する。
• 参考スコア（独自算出の注目度）: 2.0654955576087084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maximum Probability Framework, powered by Maximum Probability Theorem, is a recent theoretical development, aiming to formally define probabilistic models, guiding development of objective functions, and regularization of probabilistic models. MPT uses the probability distribution that the models assume on random variables to provide an upper bound on probability of the model. We apply MPT to challenging out-of-distribution (OOD) detection problems in computer vision by incorporating MPT as a regularization scheme in training of CNNs and their energy based variants. We demonstrate the effectiveness of the proposed method on 1080 trained models, with varying hyperparameters, and conclude that MPT based regularization strategy both stabilizes and improves the generalization and robustness of base models in addition to improved OOD performance on CIFAR10, CIFAR100 and MNIST datasets.
• Abstract（参考訳）: Maximum Probability Frameworkは、最大確率理論(Maximum Probability Theorem)を駆使した最近の理論開発であり、確率モデルを正式に定義すること、目的関数の開発を導くこと、確率モデルを正規化することを目的としている。 MPTは、モデルが確率変数に仮定する確率分布を用いて、モデルの確率の上限を与える。 我々は,MPTをCNNのトレーニングにおける正規化スキームとして組み込むことにより,コンピュータビジョンにおけるアウト・オブ・ディストリビューション(OOD)検出問題に挑戦する。 ハイパーパラメータの異なる1080モデルにおいて,提案手法の有効性を実証し,基本モデルの一般化とロバスト性の向上と,cifar10,cifar100,mnistデータセットでのood性能の向上を両立させた。

関連論文リスト

• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• pTSE: A Multi-model Ensemble Method for Probabilistic Time Series Forecasting [10.441994923253596]
  pTSEは隠れマルコフモデル(HMM)に基づく確率予測のための多モデル分布アンサンブル法である pTSE の完全理論的解析を行い,HMM を対象とする時系列の経験的分布が定常分布にほぼ確実に収束することを示す。 ベンチマーク実験は、pTSE全体構成モデルと競合アンサンブル手法の優位性を示している。
  論文  参考訳（メタデータ） (2023-05-16T07:00:57Z)
• Meta-Uncertainty in Bayesian Model Comparison [0.0]
  メタ不確かさの定量化のための完全確率的枠組みを提案する。 提案手法の有用性を,共役ベイズ回帰,マルコフ連鎖モンテカルロによる確率ベース推論,ニューラルネットワークによるシミュレーションベース推論の文脈で示す。
  論文  参考訳（メタデータ） (2022-10-13T18:10:29Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• PSD Representations for Effective Probability Models [117.35298398434628]
  最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。 我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。 本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
  論文  参考訳（メタデータ） (2021-06-30T15:13:39Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Deep neural network enabled corrective source term approach to hybrid analysis and modeling [0.0]
  ハイブリッド分析モデリング(Hybrid Analysis and Modeling, HAM)は、物理に基づくモデリングとデータ駆動モデリングを組み合わせることを目的とした、新しいモデリングパラダイムである。 補正元項アプローチ(CoSTA)のHAMに対する新しいアプローチを導入し、正当化し、実証する。
  論文  参考訳（メタデータ） (2021-05-24T20:17:13Z)
• Community Detection in the Stochastic Block Model by Mixed Integer Programming [3.8073142980733]
  Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。 DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。 本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
  論文  参考訳（メタデータ） (2021-01-26T22:04:40Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。