論文の概要: Uncertainty estimation for out-of-distribution detection in
computational histopathology
- arxiv url: http://arxiv.org/abs/2210.09909v1
- Date: Tue, 18 Oct 2022 14:49:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 13:54:39.959745
- Title: Uncertainty estimation for out-of-distribution detection in
computational histopathology
- Title（参考訳）: 計算病理組織学における分布異常検出の不確かさ推定
- Authors: Lea Goetz
- Abstract要約: 距離認識不確実性推定法は, 一般的に用いられている手法より優れていることを示す。
また,不確実性しきい値を用いた分布外サンプルの選択的予測も検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In computational histopathology algorithms now outperform humans on a range
of tasks, but to date none are employed for automated diagnoses in the clinic.
Before algorithms can be involved in such high-stakes decisions they need to
"know when they don't know", i.e., they need to estimate their predictive
uncertainty. This allows them to defer potentially erroneous predictions to a
human pathologist, thus increasing their safety. Here, we evaluate the
predictive performance and calibration of several uncertainty estimation
methods on clinical histopathology data. We show that a distance-aware
uncertainty estimation method outperforms commonly used approaches, such as
Monte Carlo dropout and deep ensembles. However, we observe a drop in
predictive performance and calibration on novel samples across all uncertainty
estimation methods tested. We also investigate the use of uncertainty
thresholding to reject out-of-distribution samples for selective prediction. We
demonstrate the limitations of this approach and suggest areas for future
research.
- Abstract（参考訳）: 計算病理学のアルゴリズムは、現在、ヒトを様々なタスクで上回っているが、現在まで臨床での自動診断には使われていない。
アルゴリズムがそのようなハイステイクな意思決定に関与する前に、"彼らが知らないときに知る"必要がある、すなわち予測の不確実性を予測する必要がある。
これにより、人間の病理学者に誤った予測を遅らせ、安全性を高めることができる。
本稿では,臨床病理組織学的データに基づくいくつかの不確実性推定手法の予測性能と校正について検討する。
距離認識の不確実性推定手法は,モンテカルロドロップアウトやディープアンサンブルといった一般的な手法よりも優れていることを示す。
しかし,全ての不確実性推定法において,新しい試料の予測性能と校正が低下するのを観察した。
また,不確実性しきい値を用いた分布外サンプルの選択的予測も検討した。
我々は,このアプローチの限界を実証し,今後の研究分野を提案する。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Efficient Normalized Conformal Prediction and Uncertainty Quantification
for Anti-Cancer Drug Sensitivity Prediction with Deep Regression Forests [0.0]
予測間隔で機械学習モデルをペアリングするための有望な方法として、コンフォーマル予測が登場した。
本研究では,深部回帰林から得られた分散度を算出し,各試料の不確かさを推定する手法を提案する。
論文 参考訳（メタデータ） (2024-02-21T19:09:53Z) - One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。
幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文 参考訳（メタデータ） (2023-12-16T14:59:11Z) - Quantifying Uncertainty in Deep Learning Classification with Noise in
Discrete Inputs for Risk-Based Decision Making [1.529943343419486]
本稿では,Deep Neural Network(DNN)モデルの予測不確実性を定量化する数学的枠組みを提案する。
予測の不確実性は、既知の有限離散分布に従う予測器の誤差から生じる。
提案フレームワークは,予測器の離散誤差が存在する場合のアプリケーションにおけるリスクベースの意思決定を支援する。
論文 参考訳（メタデータ） (2023-10-09T19:26:24Z) - 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) - Auditing for Human Expertise [13.740812888680614]
我々は、この問題を自然仮説テストとして適用できる統計的枠組みを開発する。
本稿では,専門家の予測が興味ある結果から統計的に独立しているかどうかを判定する簡単な手順を提案する。
我々のテストの拒絶は、人間の専門家が利用可能なデータに基づいてトレーニングされたアルゴリズムに価値を付加する可能性を示唆している。
論文 参考訳（メタデータ） (2023-06-02T16:15:24Z) - 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) - 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) - Uncertainty estimation for classification and risk prediction on medical
tabular data [0.0]
本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。
医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
論文 参考訳（メタデータ） (2020-04-13T08:46:41Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。