論文の概要: Uncertainty Estimation based on Geometric Separation
- arxiv url: http://arxiv.org/abs/2301.04452v1
- Date: Wed, 11 Jan 2023 13:19:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 14:21:13.866527
- Title: Uncertainty Estimation based on Geometric Separation
- Title（参考訳）: 幾何学的分離に基づく不確かさ推定
- Authors: Gabriella Chouraqui and Liron Cohen and Gil Einziger and Liel Leman
- Abstract要約: 機械学習では、特定の入力が正しい確率を正確に予測することがリスク管理に不可欠である。
機械学習モデルにおける不確実性推定を改善するための新しい幾何学的アプローチを提案する。
- 参考スコア（独自算出の注目度）: 13.588210692213568
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In machine learning, accurately predicting the probability that a specific
input is correct is crucial for risk management. This process, known as
uncertainty (or confidence) estimation, is particularly important in
mission-critical applications such as autonomous driving. In this work, we put
forward a novel geometric-based approach for improving uncertainty estimations
in machine learning models. Our approach involves using the geometric distance
of the current input from existing training inputs as a signal for estimating
uncertainty, and then calibrating this signal using standard post-hoc
techniques. We demonstrate that our method leads to more accurate uncertainty
estimations than recently proposed approaches through extensive evaluation on a
variety of datasets and models. Additionally, we optimize our approach so that
it can be implemented on large datasets in near real-time applications, making
it suitable for time-sensitive scenarios.
- Abstract（参考訳）: 機械学習では、特定の入力が正しい確率を正確に予測することがリスク管理に不可欠である。
このプロセスは不確実性(あるいは信頼)推定と呼ばれ、自律運転のようなミッションクリティカルな応用において特に重要である。
本研究では,機械学習モデルにおける不確実性推定を改善するための幾何学的手法を提案する。
提案手法では,既存のトレーニング入力から入力される電流の幾何学的距離を不確実性推定信号として使用し,標準ポストホック法を用いて信号の校正を行う。
提案手法は,様々なデータセットやモデルに対する広範囲な評価を通じて,最近提案された手法よりも精度の高い不確実性推定につながることを示す。
さらに、このアプローチを最適化して、リアルタイムに近いアプリケーションで大規模なデータセットに実装できるようにし、時間に敏感なシナリオに適したものにしています。
関連論文リスト
- Probabilistic Parameter Estimators and Calibration Metrics for Pose Estimation from Image Features [30.85393323542915]
本稿では,実時間における測定の不確実性を考慮した確率的パラメータ推定の課題に対処する。
本稿では,最小二乗サンプリング法,線形近似法,確率的プログラミング推定法という3つの確率的パラメータ推定手法を提案する。
線形近似推定器は、他の手法よりも格段に高速にシャープで精度の良いポーズ予測を生成できるが、特定のシナリオにおいて過信な予測をもたらす可能性があることを実証する。
論文 参考訳（メタデータ） (2024-07-23T07:02:01Z) - 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) - Uncertainty Estimation for Safety-critical Scene Segmentation via
Fine-grained Reward Maximization [12.79542334840646]
不確実性推定は、安全クリティカルなシナリオにおけるディープセグメンテーションモデルの将来の信頼性の高い展開において重要な役割を果たす。
本研究では,不確実性推定に対処する新たな微粒化報酬(FGRM)フレームワークを提案する。
本手法は,不確実性推定のキャリブレーション指標のすべてに対して,最先端の手法よりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2023-11-05T17:43:37Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳（メタデータ） (2023-10-25T02:37:51Z) - Distribution-free risk assessment of regression-based machine learning
algorithms [6.507711025292814]
我々は回帰アルゴリズムとモデル予測の周囲に定義された区間内に存在する真のラベルの確率を計算するリスク評価タスクに焦点をあてる。
そこで,本研究では,正のラベルを所定の確率で含むことが保証される予測区間を提供する共形予測手法を用いてリスク評価問題を解決する。
論文 参考訳（メタデータ） (2023-10-05T13:57:24Z) - 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) - Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-03T20:37:55Z) - A Geometric Method for Improved Uncertainty Estimation in Real-time [13.588210692213568]
ポストホックモデルキャリブレーションは、再トレーニングを必要とせずにモデルの不確実性推定を改善することができる。
我々の研究は不確実性推定のための幾何学的アプローチを推し進めている。
提案手法は,最近提案された手法よりも不確実性評価が優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:18:05Z) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳（メタデータ） (2021-05-28T09:23:05Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z)
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。