論文の概要: Uncertain Bayesian Networks: Learning from Incomplete Data

• arxiv url: http://arxiv.org/abs/2208.04221v1
• Date: Mon, 8 Aug 2022 15:46:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 12:16:05.806010
• Title: Uncertain Bayesian Networks: Learning from Incomplete Data
• Title（参考訳）: 不確実なベイズネットワーク:不完全データから学ぶ
• Authors: Conrad D. Hougen, Lance M. Kaplan, Federico Cerutti, Alfred O. Hero III
• Abstract要約: 歴史的データが限られている場合、ベイズネットワークのノードに関連する条件確率は不確実である。 2次推定法は、確率を推定し、不確実性を定量化するためのフレームワークを提供する。 提案手法は,様々な問合せに対する信頼境界の強さを所望し,経験的に導出することで,パラメータの後部を学習するための様々な手法を評価する。
• 参考スコア（独自算出の注目度）: 30.09565247029203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When the historical data are limited, the conditional probabilities associated with the nodes of Bayesian networks are uncertain and can be empirically estimated. Second order estimation methods provide a framework for both estimating the probabilities and quantifying the uncertainty in these estimates. We refer to these cases as uncer tain or second-order Bayesian networks. When such data are complete, i.e., all variable values are observed for each instantiation, the conditional probabilities are known to be Dirichlet-distributed. This paper improves the current state-of-the-art approaches for handling uncertain Bayesian networks by enabling them to learn distributions for their parameters, i.e., conditional probabilities, with incomplete data. We extensively evaluate various methods to learn the posterior of the parameters through the desired and empirically derived strength of confidence bounds for various queries.
• Abstract（参考訳）: 履歴データが限られている場合、ベイズネットワークのノードに関連する条件確率は不確実であり、経験的に推定できる。 2次推定法は、確率を推定し、これらの推定の不確かさを定量化する枠組みを提供する。 これらのケースを未確定または二階ベイズネットワークと呼ぶ。 そのようなデータが完了した場合、すなわち、各インスタンス毎に全ての変数値が観測されるとき、条件確率はディリクレ分布であることが知られている。 本稿では,不確定ベイズネットワークに対する現状のアプローチを,不完全データを用いてパラメータの分布,すなわち条件付き確率を学習することで改善する。 様々なクエリに対する信頼度境界の所望および経験的に導出する強度を通して,パラメータの後方を学習するための様々な手法を広範囲に評価した。

関連論文リスト

• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction [0.39287497907611874]
  メンテナンス計画の中核となる部分は、健康と劣化に関する優れた予後を提供する監視システムである。 本稿では,確率論的RUL予測のためのアンサンブルニューラルネットワークを提案する。 この方法はNASAのターボファンジェットエンジンであるCMAPSSのデータセットで試験される。
  論文  参考訳（メタデータ） (2023-09-21T19:38:44Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• 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)
• Deep Probability Estimation [14.659180336823354]
  深層ニューラルネットワークを用いた高次元データからの確率推定について検討する。 この研究の目的は、ディープニューラルネットワークを用いた高次元データからの確率推定を調査することである。 合成データおよび実世界の3つの確率推定タスクにおける既存手法の評価を行った。
  論文  参考訳（メタデータ） (2021-11-21T03:55:50Z)
• Handling Epistemic and Aleatory Uncertainties in Probabilistic Circuits [18.740781076082044]
  確率的推論の大規模クラスを扱うアプローチの背後にある独立性の仮定を克服する手法を提案する。 ベイズ学習のアルゴリズムは、完全な観察にもかかわらず、スパースから提供します。 そのような回路の各リーフは、不確実な確率を表すエレガントなフレームワークを提供するベータ分散ランダム変数でラベル付けされています。
  論文  参考訳（メタデータ） (2021-02-22T10:03:15Z)
• 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)
• Posterior Network: Uncertainty Estimation without OOD Samples via Density-Based Pseudo-Counts [33.45069308137142]
  Posterior Network (PostNet) は、任意のサンプルに対する予測確率よりも、個々の閉形式後部分布を予測する。 PostNetは、OODの検出とデータセットシフトによる不確実なキャリブレーションにおいて、最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-06-16T15:16:32Z)
• Uncertainty Estimation for End-To-End Learned Dense Stereo Matching via Probabilistic Deep Learning [0.0]
  重極補正ステレオ画像対からの結合深さと不確実性推定のタスクに対して,新しい確率的ニューラルネットワークを提案する。 ネットワークは、予測毎にパラメータがサンプリングされる確率分布を学習する。 推定深度と不確実性情報の質を3つの異なるデータセットで広範囲に評価する。
  論文  参考訳（メタデータ） (2020-02-10T11:27:52Z)

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。