Fugu-MT 論文翻訳(概要): Quantifying Aleatoric and Epistemic Uncertainty in Machine Learning: Are Conditional Entropy and Mutual Information Appropriate Measures?

論文の概要: Quantifying Aleatoric and Epistemic Uncertainty in Machine Learning: Are Conditional Entropy and Mutual Information Appropriate Measures?

arxiv url: http://arxiv.org/abs/2209.03302v1
Date: Wed, 7 Sep 2022 17:05:20 GMT
ステータス: 処理完了
システム内更新日: 2022-09-08 12:47:09.448333
Title: Quantifying Aleatoric and Epistemic Uncertainty in Machine Learning: Are Conditional Entropy and Mutual Information Appropriate Measures?
Title（参考訳）: 機械学習におけるアレタリックおよびエピステミック不確かさの定量化:条件付きエントロピーと相互情報適切な対策か?
Authors: Eyke H\"ullermeier
Abstract要約: このノートは、条件エントロピーと相互情報の観点からの、アレタリックおよびてんかんの不確実性の定量化に関する批判的な議論である。より一般的には、総不確実性の付加的な分解を、その動脈構成成分とてんかん構成成分に分解するという考え方を疑問視する。
参考スコア（独自算出の注目度）: 3.1410342959104725
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This short note is a critical discussion of the quantification of aleatoric and epistemic uncertainty in terms of conditional entropy and mutual information, respectively, which has recently been proposed in machine learning and has become quite common since then. More generally, we question the idea of an additive decomposition of total uncertainty into its aleatoric and epistemic constituents.
Abstract（参考訳）: 本稿は,最近機械学習において提案され,それ以来非常に一般的になっている,条件付きエントロピーおよび相互情報の観点からのアレータリックおよびてんかんの不確実性の定量化に関する批判的議論である。より一般的には、全不確かさの加法分解をアレクター成分と認識成分に分解するという考え方に疑問を呈する。

関連論文リスト

Certainly Uncertain: A Benchmark and Metric for Multimodal Epistemic and Aleatoric Awareness [106.52630978891054]
視覚言語AIシステムに特有の不確実性の分類法を提案する。また、精度と校正誤差の両方によく相関する新しい計量信頼度重み付き精度を導入する。
論文参考訳（メタデータ） (2024-07-02T04:23:54Z)
To Believe or Not to Believe Your LLM [51.2579827761899]
大規模言語モデル(LLM)における不確実性定量化について検討する。疫学的な不確実性が大きい場合にのみ確実に検出できる情報理論の指標を導出する。定式化の利点を実証する一連の実験を行う。
論文参考訳（メタデータ） (2024-06-04T17:58:18Z)
Is the Volume of a Credal Set a Good Measure for Epistemic Uncertainty? [2.658812114255374]
不確実性対策は様々な分野、特に機械学習や知性において欠かせないものとなっている。不確実性の尺度の代替として、クレダル集合を考える。干潟集合は分類において有意義な不確実性尺度であるが,多クラス分類ではそうでないことを示す。
論文参考訳（メタデータ） (2023-06-16T02:17:45Z)
Sources of Uncertainty in Machine Learning -- A Statisticians' View [3.1498833540989413]
本論文は,機械学習に関連する2種類の不確実性について定式化することを目的とする。機械学習における統計的概念と不確実性の間の類似性を引き合いに出し、データの役割とその不確実性への影響を実証する。
論文参考訳（メタデータ） (2023-05-26T07:44:19Z)
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)
Disturbance Enhanced Uncertainty Relations [2.075038010521211]
1つの測定値がその後の測定値に乱れを生じさせることで,不確実性が低下することを示す。得られた関係は外乱強化不確実性関係と呼ばれ、直ちに量子情報の分野における様々な応用を見出す。我々は、この新たな不確実性原理のツイストが量子基盤に新たな光を与え、量子情報分野のさらなる応用を刺激するかもしれないと予測している。
論文参考訳（メタデータ） (2022-02-15T08:37:24Z)
Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference [0.0]
我々は、不確実性定量化に対するアンサンブルに基づくアプローチを検討する。具体的には,いわゆる干潟集合に基づくベイズ的手法とアプローチに着目する。拒否オプションを用いた分類に関する実証的研究において, 対応する尺度の有効性を評価し, 比較した。
論文参考訳（メタデータ） (2021-07-21T22:47:24Z)
BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文参考訳（メタデータ） (2021-06-07T10:14:18Z)
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)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)
Uncertainty Quantification in Extreme Learning Machine: Analytical Developments, Variance Estimates and Confidence Intervals [0.0]
不確かさの定量化は、機械学習モデルの予測品質を評価するために不可欠である。文献で提案されるほとんどの手法は、データに対して強い仮定を行い、入力重みのランダム性を無視したり、信頼区間推定におけるバイアス寄与を無視したりする。本稿では,これらの制約を克服し,EMMの多様性の理解を向上させる新しい推定法を提案する。
論文参考訳（メタデータ） (2020-11-03T13:45:59Z)

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。