論文の概要: Decision-Making Under Uncertainty: Beyond Probabilities
- arxiv url: http://arxiv.org/abs/2303.05848v1
- Date: Fri, 10 Mar 2023 10:53:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 15:22:12.270258
- Title: Decision-Making Under Uncertainty: Beyond Probabilities
- Title(参考訳): 不確実性下における意思決定--確率を超えて
- Authors: Thom Badings and Thiago D. Sim\~ao and Marnix Suilen and Nils Jansen
- Abstract要約: 古典的な仮定は、確率はシステムの不確実性をすべて十分に捉えることができるというものである。
本稿では、この古典的解釈を超える不確実性に焦点を当てる。
離散モデルと連続モデルの両方に対していくつかの解法を示す。
- 参考スコア(独自算出の注目度): 5.358161704743754
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This position paper reflects on the state-of-the-art in decision-making under
uncertainty. A classical assumption is that probabilities can sufficiently
capture all uncertainty in a system. In this paper, the focus is on the
uncertainty that goes beyond this classical interpretation, particularly by
employing a clear distinction between aleatoric and epistemic uncertainty. The
paper features an overview of Markov decision processes (MDPs) and extensions
to account for partial observability and adversarial behavior. These models
sufficiently capture aleatoric uncertainty but fail to account for epistemic
uncertainty robustly. Consequently, we present a thorough overview of so-called
uncertainty models that exhibit uncertainty in a more robust interpretation. We
show several solution techniques for both discrete and continuous models,
ranging from formal verification, over control-based abstractions, to
reinforcement learning. As an integral part of this paper, we list and discuss
several key challenges that arise when dealing with rich types of uncertainty
in a model-based fashion.
- Abstract(参考訳): 本研究は,不確実性下での意思決定の現状を反映したものである。
古典的な仮定は、確率はシステムの不確実性をすべて十分に捉えることができるというものである。
本稿では,この古典的解釈を超越した不確実性に焦点をあて,特にアレエータ的不確実性と認識的不確実性を明確に区別することで,その不確実性に着目する。
本稿は,マルコフ決定過程(MDP)の概要と,部分観測可能性と対向行動を考慮した拡張について述べる。
これらのモデルはアレタリック不確実性を十分にとらえるが、てんかんの不確実性をしっかりと説明できない。
そこで本研究では,より強固な解釈で不確実性を示すいわゆる不確実性モデルの概要を示す。
形式的検証からコントロールベースの抽象化、強化学習まで、離散モデルと連続モデルの両方に対するいくつかの解法を示す。
本稿では、モデルベース方式で、リッチなタイプの不確実性を扱う際に生じるいくつかの重要な課題をリストアップし、議論する。
関連論文リスト
- Predictive Uncertainty Quantification via Risk Decompositions for
Strictly Proper Scoring Rules [8.334458709669125]
統計的推論に根ざした一般的な枠組みを導入し、新しい不確実性対策を作成し、それらの相互関係を明らかにする。
この枠組みにベイズ的推論を組み込むことを提案し、提案した近似の性質について議論する。
論文 参考訳(メタデータ) (2024-02-16T14:40:22Z) - 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) - Evidential uncertainties on rich labels for active learning [4.52634430160579]
本稿では,計算フェーズを単純化し,観測への依存を取り除くことを提案する。
我々は、ラベルにすでに存在する不確実性、すなわち、オラクルの不確実性を考慮している。
論文 参考訳(メタデータ) (2023-09-21T21:26:50Z) - 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) - A Meta-heuristic Approach to Estimate and Explain Classifier Uncertainty [0.4264192013842096]
本研究は,人間と機械学習の双方の意思決定に相互に関係する因子の観点から,インスタンスの複雑性を特徴付けるクラス非依存型メタヒューリスティックスを提案する。
提案された測度とフレームワークは、より複雑なインスタンスのモデル開発を改善するとともに、モデルの棄却と説明の新しい手段を提供するという約束を持っている。
論文 参考訳(メタデータ) (2023-04-20T13:09:28Z) - Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic
Dynamical Models with Epistemic Uncertainty [68.00748155945047]
複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。
いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。
我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
論文 参考訳(メタデータ) (2022-10-12T07:57:03Z) - The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。
我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
論文 参考訳(メタデータ) (2022-05-20T10:10:32Z) - 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) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳(メタデータ) (2020-11-15T17:26:14Z) - Modal Uncertainty Estimation via Discrete Latent Representation [4.246061945756033]
本稿では,インプットとアウトプットの1対1マッピングを,忠実な不確実性対策とともに学習するディープラーニングフレームワークを提案する。
我々のフレームワークは、現在の最先端手法よりもはるかに正確な不確実性推定を実証している。
論文 参考訳(メタデータ) (2020-07-25T05:29:34Z)
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。