論文の概要: An Evidential Neural Network Model for Regression Based on Random Fuzzy
Numbers
- arxiv url: http://arxiv.org/abs/2208.00647v1
- Date: Mon, 1 Aug 2022 07:13:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 14:17:12.250963
- Title: An Evidential Neural Network Model for Regression Based on Random Fuzzy
Numbers
- Title(参考訳): ランダムなファジィ数に基づく回帰のための実証的ニューラルネットワークモデル
- Authors: Thierry Denoeux
- Abstract要約: 本稿では,レグレッションのための距離ベースニューラルネットワークモデルを提案する。
このモデルは、入力ベクトルとプロトタイプとの交叉を証拠の断片として解釈する。
実際のデータセットによる実験は、メソッドの非常に優れたパフォーマンスを示す。
- 参考スコア(独自算出の注目度): 6.713564212269253
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a distance-based neural network model for regression, in which
prediction uncertainty is quantified by a belief function on the real line. The
model interprets the distances of the input vector to prototypes as pieces of
evidence represented by Gaussian random fuzzy numbers (GRFN's) and combined by
the generalized product intersection rule, an operator that extends Dempster's
rule to random fuzzy sets. The network output is a GRFN that can be summarized
by three numbers characterizing the most plausible predicted value, variability
around this value, and epistemic uncertainty. Experiments with real datasets
demonstrate the very good performance of the method as compared to
state-of-the-art evidential and statistical learning algorithms.
\keywords{Evidence theory, Dempster-Shafer theory, belief functions, machine
learning, random fuzzy sets.
- Abstract(参考訳): 本稿では,実線上の信念関数によって予測の不確かさを定量化する回帰のための距離ベースニューラルネットワークモデルを提案する。
このモデルは、入力ベクトルからプロトタイプへの距離を、ガウスランダムファジィ数(GRFN)で表される証拠の断片として解釈し、一般化積交叉則(Dempsterの規則をランダムファジィ集合に拡張する作用素)に結合する。
ネットワーク出力はGRFNであり、最も妥当な予測値、この値の変動性、およびてんかんの不確かさを特徴付ける3つの数字で要約できる。
実際のデータセットを用いた実験は、最先端の明示的および統計的学習アルゴリズムと比較して、この手法の非常に優れた性能を示す。
\keywords{Evidence theory, Dempster-Shafer theory, belief function, machine learning, random fuzzy set。
関連論文リスト
- A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。
本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。
また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
論文 参考訳(メタデータ) (2024-08-06T18:18:37Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳(メタデータ) (2024-05-01T15:59:00Z) - Diffusion Random Feature Model [0.0]
本稿では,拡散モデルにインスパイアされた深部ランダム特徴モデルを提案する。
サンプルデータの分布と真の分布との一般化境界をスコアマッチングの特性を用いて導出する。
ファッションMNISTデータセットとインストゥルメンタルオーディオデータに基づいてサンプルを生成し,本研究の検証を行った。
論文 参考訳(メタデータ) (2023-10-06T17:59:05Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - Learning Active Subspaces and Discovering Important Features with Gaussian Radial Basis Functions Neural Networks [0.0]
モデルの訓練が完了すると抽出できる精度行列のスペクトルに含まれる貴重な情報を示す。
回帰,分類,特徴選択タスクの数値実験を行った。
その結果,提案モデルが競合モデルに比べて魅力的な予測性能が得られるだけでなく,予測性能も向上することが示唆された。
論文 参考訳(メタデータ) (2023-07-11T09:54:30Z) - Stochastic Deep Networks with Linear Competing Units for Model-Agnostic
Meta-Learning [4.97235247328373]
本研究は,LWTA(Local winner-takes-all)アクティベーションを伴うディープネットワークを考慮したメタラーニング(ML)に対処する。
このタイプのネットワークユニットは、ユニットが1つのユニットだけがゼロでない出力を生成するブロックに編成されるため、各モデルレイヤからスパース表現が生成される。
提案手法は,数ショット画像の分類と回帰実験における最先端の予測精度と,アクティブな学習環境における予測誤差の低減を実現する。
論文 参考訳(メタデータ) (2022-08-02T16:19:54Z) - 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) - Predicting Unreliable Predictions by Shattering a Neural Network [145.3823991041987]
線形ニューラルネットワークは、サブファンクションに分割することができる。
サブファンクションは、独自のアクティベーションパターン、ドメイン、経験的エラーを持っている。
完全なネットワークに対する経験的エラーは、サブファンクションに対する期待として記述できる。
論文 参考訳(メタデータ) (2021-06-15T18:34:41Z) - Probabilistic Numeric Convolutional Neural Networks [80.42120128330411]
画像や時系列などの連続的な入力信号は、不規則にサンプリングされたり、値が欠けていたりすることは、既存のディープラーニング手法では困難である。
ガウス過程(GP)として特徴を表す確率的畳み込みニューラルネットワークを提案する。
次に、畳み込み層を、このGP上で定義されたPDEの進化として定義し、次いで非線形性とする。
実験では,SuperPixel-MNISTデータセットの先行技術と医療時間2012データセットの競合性能から,提案手法の誤差を3倍に削減できることが示されている。
論文 参考訳(メタデータ) (2020-10-21T10:08:21Z) - Variational inference formulation for a model-free simulation of a
dynamical system with unknown parameters by a recurrent neural network [8.616180927172548]
本研究では,事前知識のない未知パラメータを持つ力学系の「モデルフリー」シミュレーションを提案する。
ディープラーニングモデルは,非線形時間行進演算子と未知パラメータの影響を時系列データセットから共同学習することを目的としている。
提案したディープラーニングモデルは,乱数パラメータの次元を正確に同定し,複雑な時系列データの表現を学習することができる。
論文 参考訳(メタデータ) (2020-03-02T20:57:02Z)
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。