論文の概要: A Rigorous Uncertainty-Aware Quantification Framework Is Essential for
Reproducible and Replicable Machine Learning Workflows
- arxiv url: http://arxiv.org/abs/2301.05763v1
- Date: Fri, 13 Jan 2023 21:24:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 19:01:30.559397
- Title: A Rigorous Uncertainty-Aware Quantification Framework Is Essential for
Reproducible and Replicable Machine Learning Workflows
- Title(参考訳): 厳密な不確かさを意識した量子化フレームワークは、再現可能で再現可能な機械学習ワークフローに不可欠である
- Authors: Line Pouchard, Kristofer G. Reyes, Francis J. Alexander Byung-Jun Yoon
- Abstract要約: 機械学習(ML)や人工知能(AI)モデルによる予測を再現する能力は多くの要因によって駆動される。
興味の量(QoI)を定量的に評価できる不確実性対応計量は、ML/AIモデルを含む科学的結果の信頼性に寄与する。
- 参考スコア(独自算出の注目度): 1.242591017155152
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability to replicate predictions by machine learning (ML) or artificial
intelligence (AI) models and results in scientific workflows that incorporate
such ML/AI predictions is driven by numerous factors. An uncertainty-aware
metric that can quantitatively assess the reproducibility of quantities of
interest (QoI) would contribute to the trustworthiness of results obtained from
scientific workflows involving ML/AI models. In this article, we discuss how
uncertainty quantification (UQ) in a Bayesian paradigm can provide a general
and rigorous framework for quantifying reproducibility for complex scientific
workflows. Such as framework has the potential to fill a critical gap that
currently exists in ML/AI for scientific workflows, as it will enable
researchers to determine the impact of ML/AI model prediction variability on
the predictive outcomes of ML/AI-powered workflows. We expect that the
envisioned framework will contribute to the design of more reproducible and
trustworthy workflows for diverse scientific applications, and ultimately,
accelerate scientific discoveries.
- Abstract(参考訳): 機械学習(ML)または人工知能(AI)モデルによる予測を再現し、そのようなML/AI予測を組み込んだ科学的ワークフローの結果として得られる能力は、多くの要因によって駆動される。
関心量の再現可能性(QoI)を定量的に評価できる不確実性対応計量は、ML/AIモデルを含む科学的ワークフローから得られる結果の信頼性に寄与する。
本稿では,ベイズパラダイムにおける不確実性定量化(uq)が,複雑な科学的ワークフローの再現性を定量化する汎用的かつ厳密な枠組みを提供できるかについて議論する。
このようなフレームワークは、科学ワークフローのためにML/AIに現在存在する重要なギャップを埋める可能性があり、研究者はML/AIモデル予測変数がML/AI駆動ワークフローの予測結果に与える影響を判断できる。
我々は、このフレームワークが様々な科学的応用のためにより再現可能で信頼できるワークフローの設計に寄与し、究極的には科学的発見を加速することを期待している。
関連論文リスト
- Replication Study: Enhancing Hydrological Modeling with Physics-Guided
Machine Learning [0.0]
現在の水理モデリング手法は、データ駆動機械学習アルゴリズムと従来の物理モデルを組み合わせたものである。
結果予測におけるMLの精度にもかかわらず、科学的知識の統合は信頼性の高い予測には不可欠である。
本研究では,概念的水文モデルのプロセス理解とMLアルゴリズムの予測効率を融合した物理インフォームド機械学習モデルを提案する。
論文 参考訳(メタデータ) (2024-02-21T16:26:59Z) - Quantum Computing Enhanced Service Ecosystem for Simulation in
Manufacturing [57.497038270123774]
本稿では,製造シミュレーションのための量子コンピューティングによるサービスエコシステムの枠組みを提案する。
我々は,これらの新しい計算パラダイムを定量的に評価することを目的とした2つの高価値ユースケースを分析した。
論文 参考訳(メタデータ) (2024-01-19T11:04:14Z) - Towards the Development of an Uncertainty Quantification Protocol for
the Natural Gas Industry [0.0]
シミュレーション結果の不確かさは意思決定プロセスに不可欠である。
本稿では,機械学習および機械シミュレーションモデルの予測の不確実性を評価するためのプロトコルを開発する。
このプロトコルは、ガス流通産業に関連するケースのテストに応用され、その応用から学んだことを提示する。
論文 参考訳(メタデータ) (2023-08-05T18:54:59Z) - Do Emergent Abilities Exist in Quantized Large Language Models: An
Empirical Study [90.34226812493083]
本研究の目的は,LLMを小言語モデルと区別する重要な特徴である現象能力に対する量子化の影響を検討することである。
実験により、これらの創発能力は4ビット量子化モデルに残っており、2ビットモデルは深刻な性能劣化に直面していることがわかった。
低ビットモデルの性能向上のために,(1) 部品(またはサブ構造)が量子化に敏感である場合の微視的影響解析,(2) モデル微視化による性能補償の2つの実験を行った。
論文 参考訳(メタデータ) (2023-07-16T15:11:01Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳(メタデータ) (2021-08-04T16:32:59Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳(メタデータ) (2021-07-28T10:28:05Z) - Enhancing predictive skills in physically-consistent way: Physics
Informed Machine Learning for Hydrological Processes [1.0635248457021496]
本研究では,概念的水文モデルのプロセス理解と最先端MLモデルの予測能力を組み合わせた物理インフォームド機械学習(PIML)モデルを開発する。
提案したモデルを用いて,インドのナルマダ川流域における目標(流れ流)と中間変数(実際の蒸発吸引)の月次時間系列を予測する。
論文 参考訳(メタデータ) (2021-04-22T12:13:42Z) - Understanding the Usability Challenges of Machine Learning In
High-Stakes Decision Making [67.72855777115772]
機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。
多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。
児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
論文 参考訳(メタデータ) (2021-03-02T22:50:45Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳(メタデータ) (2020-08-14T16:48:29Z)
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。