Fugu-MT 論文翻訳(概要): A view on model misspecification in uncertainty quantification

論文の概要: A view on model misspecification in uncertainty quantification

arxiv url: http://arxiv.org/abs/2210.16938v1
Date: Sun, 30 Oct 2022 20:26:43 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 15:58:34.946103
Title: A view on model misspecification in uncertainty quantification
Title（参考訳）: 不確実性定量化におけるモデル誤特定に関する一考察
Authors: Yuko Kato, David M.J. Tax and Marco Loog
Abstract要約: 機械学習モデルの不確実性を推定することは、これらのモデルが提供する予測の品質を評価するために不可欠である。モデルは単に単純化や現実への近似であるので、モデルの不特定は常に存在する。本稿では、思考実験を行い、関連する文献を文脈化することによって、モデル不特定がより注目を集めるべきである、と論じる。
参考スコア（独自算出の注目度）: 17.17262672213263
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Estimating uncertainty of machine learning models is essential to assess the quality of the predictions that these models provide. However, there are several factors that influence the quality of uncertainty estimates, one of which is the amount of model misspecification. Model misspecification always exists as models are mere simplifications or approximations to reality. The question arises whether the estimated uncertainty under model misspecification is reliable or not. In this paper, we argue that model misspecification should receive more attention, by providing thought experiments and contextualizing these with relevant literature.
Abstract（参考訳）: 機械学習モデルの不確かさを推定することは、これらのモデルが提供する予測の品質を評価するために不可欠である。しかしながら、不確実性推定の質に影響を与える要因はいくつかあり、そのうちの1つはモデル不特定化の量である。モデルは単に単純化や現実への近似であるからである。この疑問は、モデルの誤特定の下で推定された不確実性が信頼できるかどうかである。本稿では,思考実験を行い,関連する文献を文脈化することにより,モデルの誤特定がより注目されるべきだと論じる。

関連論文リスト

Uncertainty Quantification of Surrogate Models using Conformal Prediction [7.445864392018774]
我々は,モデルに依存しない方法で予測を満足する共形予測フレームワークを定式化し,ほぼゼロの計算コストを必要とする。本稿では,決定論的モデルに対する統計的に有効なエラーバーを提供するとともに,確率論的モデルのエラーバーに対する保証を作成することを検討する。
論文参考訳（メタデータ） (2024-08-19T10:46:19Z)
Parameter uncertainties for imperfect surrogate models in the low-noise regime [0.3069335774032178]
我々は、不特定、ほぼ決定論的シュロゲートモデルの一般化誤差を解析する。遅れた一般化誤差を避けるために、後続分布が全ての訓練点をカバーする必要があることを示す。これは、原子論的機械学習における1000次元データセットに適用する前に、モデル問題で実証される。
論文参考訳（メタデータ） (2024-02-02T11:41:21Z)
Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文参考訳（メタデータ） (2023-07-19T12:11:15Z)
The Interpolating Information Criterion for Overparameterized Models [49.283527214211446]
補間情報基準(Interpolating Information Criterion)は,モデル選択に事前選択を自然に取り入れたモデル品質の尺度であることを示す。我々の新しい情報基準は、モデルの事前の誤特定、幾何学的およびスペクトル的特性を考慮に入れており、既知の経験的および理論的挙動と数値的に一致している。
論文参考訳（メタデータ） (2023-07-15T12:09:54Z)
The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文参考訳（メタデータ） (2022-11-11T19:34:17Z)
Estimation and Model Misspecification: Fake and Missing Features [0.0]
提案手法では,推定時に使用するシステムとモデルとの間にミスマッチが存在する場合,モデルミスセグメンテーションに基づく推定について検討する。そこで本研究では, モデル不特定型と不特定型を併用して, ニセモノと欠落した特徴を有するモデル不特定型を共同処理できるモデル不特定型フレームワークを提案する。
論文参考訳（メタデータ） (2022-03-07T13:50:15Z)
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)
A Tale Of Two Long Tails [4.970364068620608]
モデルが不確実である例を特定し、その不確実性の原因を特徴付ける。追加情報が存在する場合の学習速度が,非典型例と雑音例とで異なるか否かを検討する。以上の結果から,トレーニングの過程で適切に設計された介入は,異なる不確実性源の識別・識別に有効な方法であることが示唆された。
論文参考訳（メタデータ） (2021-07-27T22:49:59Z)
Approaching Neural Network Uncertainty Realism [53.308409014122816]
自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
論文参考訳（メタデータ） (2021-01-08T11:56:12Z)
Considering discrepancy when calibrating a mechanistic electrophysiology model [41.77362715012383]
不確実性定量化(英: Uncertainty Quantification、UQ)は、数学的モデルとシミュレーションを用いて決定を行うための重要なステップである。この記事では、モデル構造や方程式自体における不確実性という、我々の予測における重要かつ未適応な不確実性の源に注意を向ける。
論文参考訳（メタデータ） (2020-01-13T13:26:13Z)

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。