論文の概要: Tailored Uncertainty Estimation for Deep Learning Systems
- arxiv url: http://arxiv.org/abs/2204.13963v1
- Date: Fri, 29 Apr 2022 09:23:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-02 14:32:43.208957
- Title: Tailored Uncertainty Estimation for Deep Learning Systems
- Title(参考訳): 深層学習システムのための不確実性推定
- Authors: Joachim Sicking, Maram Akila, Jan David Schneider, Fabian H\"uger,
Peter Schlicht, Tim Wirtz, Stefan Wrobel
- Abstract要約: 本稿では,適切な不確実性推定手法の選択を導く枠組みを提案する。
私たちのフレームワークは、この選択を検証し、構造的な弱点を明らかにするための戦略を提供します。
これは、機械学習システムの技術的適切性を示す証拠を必要とする予測された機械学習規則を予想する。
- 参考スコア(独自算出の注目度): 10.288326973530614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainty estimation bears the potential to make deep learning (DL) systems
more reliable. Standard techniques for uncertainty estimation, however, come
along with specific combinations of strengths and weaknesses, e.g., with
respect to estimation quality, generalization abilities and computational
complexity. To actually harness the potential of uncertainty quantification,
estimators are required whose properties closely match the requirements of a
given use case. In this work, we propose a framework that, firstly, structures
and shapes these requirements, secondly, guides the selection of a suitable
uncertainty estimation method and, thirdly, provides strategies to validate
this choice and to uncover structural weaknesses. By contributing tailored
uncertainty estimation in this sense, our framework helps to foster trustworthy
DL systems. Moreover, it anticipates prospective machine learning regulations
that require, e.g., in the EU, evidences for the technical appropriateness of
machine learning systems. Our framework provides such evidences for system
components modeling uncertainty.
- Abstract(参考訳): 不確実性推定は、ディープラーニング(DL)システムをより信頼性の高いものにする可能性がある。
しかし、不確実性推定の標準的な手法は、例えば推定品質、一般化能力、計算複雑性など、強度と弱さの特定の組み合わせと共に現れる。
不確実な定量化の可能性を実際に活用するためには、特定のユースケースの要件によく適合する特性を持つ推定器が必要である。
本研究では,まず,これらの要求を構造化し,形作る枠組みを提案し,次に不確実性推定手法の選択を指導し,その選択を検証し,構造的弱点を明らかにするための戦略を提供する。
この意味で調整された不確実性推定に寄与することで、我々のフレームワークは信頼できるdlシステムを育むのに役立つ。
さらに、EUなどの先進的な機械学習規制が、機械学習システムの技術的適切性を示す証拠を必要とすることを予測している。
我々のフレームワークは不確実性をモデル化するシステムコンポーネントに対してそのような証拠を提供する。
関連論文リスト
- Mathematical Algorithm Design for Deep Learning under Societal and
Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。
以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
論文 参考訳(メタデータ) (2024-01-18T15:32:38Z) - Investigating Robustness in Cyber-Physical Systems:
Specification-Centric Analysis in the face of System Deviations [9.25102155574779]
サイバー物理システム(CPS)の重要属性は堅牢性であり、安全に運用する能力を示している。
本稿では,特定のシステム要件を満たす上でのコントローラの有効性を特徴付ける,仕様に基づく新しいロバスト性を提案する。
本稿では, 微妙な堅牢性違反を識別するための2層シミュレーションに基づく解析フレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-13T16:44:43Z) - Incorporating Recklessness to Collaborative Filtering based Recommender
Systems [63.732639864601914]
本稿では,行列因数分解に基づくレコメンデータシステムの学習過程における「無謀性」という新しい用語の導入を提案する。
実験結果から、無謀性はリスクレギュレーションだけでなく、予測の量や品質も改善することが示された。
論文 参考訳(メタデータ) (2023-08-03T21:34:00Z) - Training, Architecture, and Prior for Deterministic Uncertainty Methods [33.45069308137142]
本研究は決定論的不確実性法(DUM)における重要な設計選択について検討する。
コアアーキテクチャと不確実性ヘッドスキームを分離したトレーニングスキームは、不確実性性能を大幅に改善できることを示す。
他のベイズモデルとは対照的に、DUMが定義した事前定義が最終的な性能に強い影響を及ぼさないことを示す。
論文 参考訳(メタデータ) (2023-03-10T09:00:52Z) - A Domain-Agnostic Approach for Characterization of Lifelong Learning
Systems [128.63953314853327]
「生涯学習」システムには,1)継続的学習,2)伝達と適応,3)拡張性があります。
この一連のメトリクスは、様々な複雑な生涯学習システムの開発に役立てることができることを示す。
論文 参考訳(メタデータ) (2023-01-18T21:58:54Z) - Which models are innately best at uncertainty estimation? [15.929238800072195]
ディープニューラルネットワークは、リスクに敏感なタスクにデプロイされる場合、不確実性推定機構を備える必要がある。
本稿では,深層建築とその訓練体制との関係について,その選択予測と不確実性推定性能について検討する。
論文 参考訳(メタデータ) (2022-06-05T11:15:35Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳(メタデータ) (2021-07-28T10:28:05Z) - The Benefit of the Doubt: Uncertainty Aware Sensing for Edge Computing
Platforms [10.86298377998459]
組込みエッジシステム上に展開されたNNにおける予測不確実性推定のための効率的なフレームワークを提案する。
フレームワークは1つのフォワードパスのみに基づいて予測の不確実性を提供するために、ゼロから構築されている。
提案手法は, 堅牢かつ正確な不確実性推定だけでなく, システム性能の点で最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2021-02-11T11:44:32Z) - Approaching Neural Network Uncertainty Realism [53.308409014122816]
自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。
マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。
自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
論文 参考訳(メタデータ) (2021-01-08T11:56:12Z) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳(メタデータ) (2020-11-15T17:26:14Z) - Uncertainty-Based Out-of-Distribution Classification in Deep
Reinforcement Learning [17.10036674236381]
アウト・オブ・ディストリビューションデータの誤予測は、機械学習システムにおける安全性の危機的状況を引き起こす可能性がある。
我々は不確実性に基づくOOD分類のためのフレームワークUBOODを提案する。
UBOODはアンサンブルに基づく推定器と組み合わせることで,信頼性の高い分類結果が得られることを示す。
論文 参考訳(メタデータ) (2019-12-31T09:52:49Z)
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。