論文の概要: Epistemic Deep Learning

• arxiv url: http://arxiv.org/abs/2206.07609v1
• Date: Wed, 15 Jun 2022 15:39:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 19:59:57.970489
• Title: Epistemic Deep Learning
• Title（参考訳）: てんかんの深層学習
• Authors: Shireen Kudukkil Manchingal and Fabio Cuzzolin
• Abstract要約: 本稿では,信念関数のランダムな解釈に基づく認識的深層学習という概念を導入する。 本稿では,集合値の基底真理表現を学習することにより,クラス集合のスコアを生成できる新しいランダムセット畳み込みニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 6.144873990390373
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The belief function approach to uncertainty quantification as proposed in the Demspter-Shafer theory of evidence is established upon the general mathematical models for set-valued observations, called random sets. Set-valued predictions are the most natural representations of uncertainty in machine learning. In this paper, we introduce a concept called epistemic deep learning based on the random-set interpretation of belief functions to model epistemic learning in deep neural networks. We propose a novel random-set convolutional neural network for classification that produces scores for sets of classes by learning set-valued ground truth representations. We evaluate different formulations of entropy and distance measures for belief functions as viable loss functions for these random-set networks. We also discuss methods for evaluating the quality of epistemic predictions and the performance of epistemic random-set neural networks. We demonstrate through experiments that the epistemic approach produces better performance results when compared to traditional approaches of estimating uncertainty.
• Abstract（参考訳）: Demspter-Shafer理論で提案された不確実量化に対する信念関数アプローチは、ランダム集合と呼ばれる集合値観測のための一般的な数学的モデルに基づいて確立される。 設定値予測は、機械学習における不確実性の最も自然な表現である。 本稿では,ディープニューラルネットワークにおける認識学習をモデル化するための信念関数のランダムな解釈に基づく,認識深層学習という概念を紹介する。 本稿では,集合値の基底真理表現を学習することにより,クラス集合のスコアを生成できる新しいランダムセット畳み込みニューラルネットワークを提案する。 我々は,これらのランダムセットネットワークの既約損失関数として,信念関数に対するエントロピーと距離測度の異なる定式化を評価する。 また、疫学予測の品質と、疫学ランダムセットニューラルネットワークの性能を評価する方法についても論じる。 本研究では, 従来の不確実性を推定する手法と比較して, エピステマティックアプローチの方が優れた性能を示すことを示す。

関連論文リスト

• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Evidential Deep Learning: Enhancing Predictive Uncertainty Estimation for Earth System Science Applications [0.32302664881848275]
  エビデンシャル・ディープ・ラーニング(Evidential Deep Learning)は、パラメトリック・ディープ・ラーニングを高次分布に拡張する手法である。 本研究では,明らかなニューラルネットワークから得られる不確実性とアンサンブルから得られる不確実性を比較する。 本研究では,従来の手法に匹敵する予測精度を実現するとともに,両方の不確実性源をしっかりと定量化しながら,明らかな深層学習モデルを示す。
  論文  参考訳（メタデータ） (2023-09-22T23:04:51Z)
• Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
  本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。 RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
  論文  参考訳（メタデータ） (2023-02-28T13:17:56Z)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Convolutional Motif Kernel Networks [1.104960878651584]
  我々のモデルは、小さなデータセットでしっかりと学習でき、関連する医療予測タスクで最先端のパフォーマンスを達成できることを示す。 提案手法はDNAおよびタンパク質配列に利用することができる。
  論文  参考訳（メタデータ） (2021-11-03T15:06:09Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• BDNNSurv: Bayesian deep neural networks for survival analysis using pseudo values [7.707091943385522]
  生存データのモデル化と予測のためのベイズ階層的ディープニューラルネットワークモデルを提案する。 従来研究した手法と比較して,提案手法は生存確率のポイント推定を提供することができる。 提案手法を実装したpythonコードが提供されている。
  論文  参考訳（メタデータ） (2021-01-07T20:18:43Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Ramifications of Approximate Posterior Inference for Bayesian Deep Learning in Adversarial and Out-of-Distribution Settings [7.476901945542385]
  ベイジアン深層学習モデルが従来のニューラルネットワークよりわずかに優れていることを示す。 予備的な調査は、初期化、アーキテクチャ、アクティベーション関数の選択によるバイアスの潜在的固有の役割を示している。
  論文  参考訳（メタデータ） (2020-09-03T16:58:15Z)

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。