論文の概要: A taxonomy of surprise definitions

• arxiv url: http://arxiv.org/abs/2209.01034v1
• Date: Fri, 2 Sep 2022 13:07:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:51:11.594571
• Title: A taxonomy of surprise definitions
• Title（参考訳）: 驚きの定義の分類法
• Authors: Alireza Modirshanechi, Johanni Brea, Wulfram Gerstner
• Abstract要約: 統一フレームワークにおいて、サプライズに関する18の数学的定義を識別する。 我々はこれらを測定量に基づいて4つの概念カテゴリーに分類する。 分類学は、脳における機能的役割と驚きの生理学的特徴の原理的な研究の基礎となる。
• 参考スコア（独自算出の注目度）: 4.849550522970841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surprising events trigger measurable brain activity and influence human behavior by affecting learning, memory, and decision-making. Currently there is, however, no consensus on the definition of surprise. Here we identify 18 mathematical definitions of surprise in a unifying framework. We first propose a technical classification of these definitions into three groups based on their dependence on an agent's belief, show how they relate to each other, and prove under what conditions they are indistinguishable. Going beyond this technical analysis, we propose a taxonomy of surprise definitions and classify them into four conceptual categories based on the quantity they measure: (i) 'prediction surprise' measures a mismatch between a prediction and an observation; (ii) 'change-point detection surprise' measures the probability of a change in the environment; (iii) 'confidence-corrected surprise' explicitly accounts for the effect of confidence; and (iv) 'information gain surprise' measures the belief-update upon a new observation. The taxonomy poses the foundation for principled studies of the functional roles and physiological signatures of surprise in the brain.
• Abstract（参考訳）: 驚くべき出来事は計測可能な脳活動を引き起こし、学習、記憶、意思決定に影響を与えることによって人間の行動に影響を与える。 しかし、現時点ではサプライズの定義に関するコンセンサスはない。 ここでは、18の数学的定義を統一的な枠組みで定義する。 まず,これらの定義を,エージェントの信念に依存した3つのグループに分類し,相互にどう関連しているかを示し,どのような条件下で識別できないかを証明する。 この技術的分析を越えて,サプライズ定義の分類法を提案し,その測定値に基づいて4つの概念カテゴリーに分類する。 (i)「予測サプライズ」とは、予測と観測とのミスマッチを計測する。 (二)「変化点検出驚き」は、環境の変化の確率を測定する。 (三)「信任訂正驚き」は、信任効果を明記し、 (四)「情報獲得驚き」は、新しい観察の信条の更新を測る。 分類学は、脳における機能的役割と驚きの生理学的特徴の原則研究の基礎となる。

関連論文リスト

• On Information-Theoretic Measures of Predictive Uncertainty [5.8034373350518775]
  その重要性にも拘わらず、予測の不確実性の正しい測定に関するコンセンサスはいまだに解明されていない。 提案手法は, 予測の不確かさを, (I) 予測モデル (II) 真の予測分布の近似の2つの要因により分類する。 本研究では, 誤分類検出, 選択的予測, アウト・オブ・ディストリビューション検出など, 典型的な不確実性推定設定において, これらの指標を実証的に評価する。
  論文  参考訳（メタデータ） (2024-10-14T17:52:18Z)
• Ensured: Explanations for Decreasing the Epistemic Uncertainty in Predictions [1.2289361708127877]
  認識の不確実性は、品質を説明するために重要な次元を付け加える。 我々は、この不確実性を特に狙う新しいタイプの説明を紹介します。 我々は、ユーザが最も信頼できる説明を識別できるように設計された新しい指標、保証されたランキングを導入する。
  論文  参考訳（メタデータ） (2024-10-07T20:21:51Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• Reasoning about unpredicted change and explicit time [10.220888127527152]
  予測外の変化に関する推論は、出来事による観察を説明することである。 本稿では,流れの真理値の変化にともなう単純な事象である,驚きによる時間スタンプ観測を説明するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-09T07:49:57Z)
• VOICE: Variance of Induced Contrastive Explanations to quantify Uncertainty in Neural Network Interpretability [15.864519662894034]
  ニューラルネットワークの勾配に基づく視覚的説明の予測の不確かさを可視化し、定量化する。 視覚的なポストホック説明可能性のテクニックは、イメージ内の機能を強調して、ネットワークの予測を正当化する。 すべての画像,ネットワーク,予測,説明技術がユニークな不確実性を持っていることを示す。
  論文  参考訳（メタデータ） (2024-06-01T23:32:29Z)
• A Dual-Perspective Approach to Evaluating Feature Attribution Methods [40.73602126894125]
  本稿では,直観的特性を明らかにする忠実度パラダイムの中で,音性と完全性という2つの新しい視点を提案する。 健全性は、どの特徴が真に予測的特徴であるかを評価する一方、完全性は、結果の帰属が予測的特徴をどの程度うまく明らかにするかを調べる。 これらのメトリクスを主流属性法に適用し、特徴属性法を解析・比較するための新しいレンズを提供する。
  論文  参考訳（メタデータ） (2023-08-17T12:41:04Z)
• A Semantic Approach to Decidability in Epistemic Planning (Extended Version) [72.77805489645604]
  我々は決定可能性を達成するために新しい意味論的アプローチを用いる。 具体的には、知識の論理S5$_n$と(知識)可換性と呼ばれる相互作用公理を拡大する。 我々は,本フレームワークが,独立した知識である共通知識の有限的非固定点的特徴を認めていることを証明した。
  論文  参考訳（メタデータ） (2023-07-28T11:26:26Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)

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。