論文の概要: Unveil the unseen: Exploit information hidden in noise

• arxiv url: http://arxiv.org/abs/2209.08376v1
• Date: Sat, 17 Sep 2022 17:43:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 20:14:05.195257
• Title: Unveil the unseen: Exploit information hidden in noise
• Title（参考訳）: 未確認情報:音に隠れた爆発情報
• Authors: Bahdan Zviazhynski, Gareth Conduit
• Abstract要約: 予測を改善するため,ノイズ自体から重要な情報を抽出する機械学習アーキテクチャを開発した。 この定式化をPbZr$_0.7$Sn$_0.3$O$_3$クリスタルに適用し、誘電率の不確かさを利用して熱容量を外挿する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Noise and uncertainty are usually the enemy of machine learning, noise in training data leads to uncertainty and inaccuracy in the predictions. However, we develop a machine learning architecture that extracts crucial information out of the noise itself to improve the predictions. The phenomenology computes and then utilizes uncertainty in one target variable to predict a second target variable. We apply this formalism to PbZr$_{0.7}$Sn$_{0.3}$O$_{3}$ crystal, using the uncertainty in dielectric constant to extrapolate heat capacity, correctly predicting a phase transition that otherwise cannot be extrapolated. For the second example -- single-particle diffraction of droplets -- we utilize the particle count together with its uncertainty to extrapolate the ground truth diffraction amplitude, delivering better predictions than when we utilize only the particle count. Our generic formalism enables the exploitation of uncertainty in machine learning, which has a broad range of applications in the physical sciences and beyond.
• Abstract（参考訳）: ノイズと不確実性は通常機械学習の敵であり、トレーニングデータのノイズは予測の不確実性と不正確性をもたらす。 しかし,予測を改善するため,ノイズ自体から重要な情報を抽出する機械学習アーキテクチャを開発した。 現象学は、1つのターゲット変数の不確実性を計算し、2番目のターゲット変数を予測する。 この定式化をPbZr$_{0.7}$Sn$_{0.3}$O$_{3}$クリスタルに適用し、誘電率の不確かさを利用して熱容量を外挿し、そうでなければ外挿できない相転移を正確に予測する。 第2の例 -- 液滴の単粒子回折 -- では、粒子数と不確実性を利用して基底真理回折振幅を外挿し、粒子数のみを利用する場合よりもより良い予測を行う。 我々の一般的なフォーマリズムは、物理科学など幅広い応用がある機械学習における不確実性の利用を可能にする。

関連論文リスト

• Certification for Differentially Private Prediction in Gradient-Based Training [36.686002369773014]
  我々は凸緩和と有界伝播を用いて、予測の局所的および滑らかな感度の証明可能な上界を計算する。 このバウンダリによって、プライベートな予測設定で付加されるノイズの規模を減らしたり、プライバシ会計を改善することができます。
  論文  参考訳（メタデータ） (2024-06-19T10:47:00Z)
• Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction [95.75771195913046]
  本稿では, リスク制御型量子ニューラル演算子, 分布のない有限サンプル機能キャリブレーション等式予測法を提案する。 関数領域上の点の期待値として定義されるカバレッジ率に関する理論的キャリブレーションを保証する。 2次元ダーシー流と3次元自動車表面圧力予測タスクに関する実験結果から,我々の理論的結果が検証された。
  論文  参考訳（メタデータ） (2024-02-02T23:43:28Z)
• 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)
• Graph Neural Network Interatomic Potential Ensembles with Calibrated Aleatoric and Epistemic Uncertainty on Energy and Forces [9.378581265532006]
  本稿では,エネルギーと力の正確な予測を行うために,グラフニューラルネットワークアンサンブルモデルのトレーニングと再構成のための完全なフレームワークを提案する。 提案手法は, てんかんとアラート的不確実性の両方を考慮し, 全不確実性はホック後に再検討する。 予測性能と不確実性校正の詳細な解析を行う。
  論文  参考訳（メタデータ） (2023-05-10T13:03:06Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• DBCal: Density Based Calibration of classifier predictions for uncertainty quantification [0.0]
  本稿では,機械学習手法を用いて予測の不確かさを定量化する手法を提案する。 提案手法は,2つのニューラルネットワークの出力が正しい確率を正確に推定する。
  論文  参考訳（メタデータ） (2022-04-01T01:03:41Z)
• On the Difficulty of Epistemic Uncertainty Quantification in Machine Learning: The Case of Direct Uncertainty Estimation through Loss Minimisation [8.298716599039501]
  不確かさの定量化は機械学習で注目を集めている。 後者は学習者の知識(知識の欠如)を指し、特に測定と定量化が難しいようである。 損失最小化は2次予測器では有効でないことを示す。
  論文  参考訳（メタデータ） (2022-03-11T17:26:05Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via Higher-Order Influence Functions [121.10450359856242]
  我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。 1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
  論文  参考訳（メタデータ） (2020-06-29T13:36:52Z)

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。