論文の概要: Is the Volume of a Credal Set a Good Measure for Epistemic Uncertainty?
- arxiv url: http://arxiv.org/abs/2306.09586v1
- Date: Fri, 16 Jun 2023 02:17:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 15:16:57.144702
- Title: Is the Volume of a Credal Set a Good Measure for Epistemic Uncertainty?
- Title(参考訳): クレダルの体積は認識の不確実性に対して良い尺度となるか?
- Authors: Yusuf Sale, Michele Caprio, Eyke H\"ullermeier
- Abstract要約: 不確実性対策は様々な分野、特に機械学習や知性において欠かせないものとなっている。
不確実性の尺度の代替として、クレダル集合を考える。
干潟集合は分類において有意義な不確実性尺度であるが,多クラス分類ではそうでないことを示す。
- 参考スコア(独自算出の注目度): 2.658812114255374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adequate uncertainty representation and quantification have become imperative
in various scientific disciplines, especially in machine learning and
artificial intelligence. As an alternative to representing uncertainty via one
single probability measure, we consider credal sets (convex sets of probability
measures). The geometric representation of credal sets as $d$-dimensional
polytopes implies a geometric intuition about (epistemic) uncertainty. In this
paper, we show that the volume of the geometric representation of a credal set
is a meaningful measure of epistemic uncertainty in the case of binary
classification, but less so for multi-class classification. Our theoretical
findings highlight the crucial role of specifying and employing uncertainty
measures in machine learning in an appropriate way, and for being aware of
possible pitfalls.
- Abstract(参考訳): 適切な不確実性表現と定量化は、様々な科学分野、特に機械学習や人工知能において必須となっている。
一つの確率測度による不確実性を表す代替として、クレダル集合(確率測度の凸集合)を考える。
d$-次元ポリトープとしてのクレダル集合の幾何学的表現は、(エピスティックな)不確かさに関する幾何学的直観を意味する。
本稿では,クレダル集合の幾何学的表現の体積が二分分類の場合の認識的不確かさの有意義な尺度であるが,多類分類ではそうではないことを示す。
理論的には,機械学習における不確実性対策を適切に特定し,活用する上で重要な役割を担っている。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Conformalized Credal Set Predictors [12.549746646074071]
クレダル集合(英: Credal set)は、不正確な基底-真実分布の候補と見なされる確率分布の集合である。
我々は,干潟集合予測器の学習に共形予測を利用する。
提案手法の自然言語推論への適用性を実証する。
論文 参考訳(メタデータ) (2024-02-16T14:30:12Z) - Unified Uncertainty Calibration [43.733911707842005]
不確実性校正(U2C:emphunified uncertainty calibration)は、アレタリックと不確実性を組み合わせた総合的な枠組みである。
U2Cは、不確実性推定のクリーンな学習理論分析を可能にし、さまざまなImageNetベンチマークでリジェクションや分類よりも優れている。
論文 参考訳(メタデータ) (2023-10-02T13:42:36Z) - Evidential Deep Learning: Enhancing Predictive Uncertainty Estimation
for Earth System Science Applications [0.32302664881848275]
エビデンシャル・ディープ・ラーニング(Evidential Deep Learning)は、パラメトリック・ディープ・ラーニングを高次分布に拡張する手法である。
本研究では,明らかなニューラルネットワークから得られる不確実性とアンサンブルから得られる不確実性を比較する。
本研究では,従来の手法に匹敵する予測精度を実現するとともに,両方の不確実性源をしっかりと定量化しながら,明らかな深層学習モデルを示す。
論文 参考訳(メタデータ) (2023-09-22T23:04:51Z) - Sources of Uncertainty in Machine Learning -- A Statisticians' View [3.1498833540989413]
本論文は,機械学習に関連する2種類の不確実性について定式化することを目的とする。
機械学習における統計的概念と不確実性の間の類似性を引き合いに出し、データの役割とその不確実性への影響を実証する。
論文 参考訳(メタデータ) (2023-05-26T07:44:19Z) - Quantifying Aleatoric and Epistemic Uncertainty in Machine Learning: Are
Conditional Entropy and Mutual Information Appropriate Measures? [2.1655448059430222]
条件エントロピーと相互情報の観点から、アレタリックおよびてんかんの不確実性を定量化する。
我々はその適切さを疑問視する様々な不整合を識別する。
コンピュータビジョンタスクの異なる実験は、理論的な発見を支援する。
論文 参考訳(メタデータ) (2022-09-07T17:05:20Z) - What is Flagged in Uncertainty Quantification? Latent Density Models for
Uncertainty Categorization [68.15353480798244]
不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。
近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。
分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
論文 参考訳(メタデータ) (2022-07-11T19:47:00Z) - 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) - Don't Just Blame Over-parametrization for Over-confidence: Theoretical
Analysis of Calibration in Binary Classification [58.03725169462616]
理論上は、過剰パラメトリゼーションは過剰信頼の唯一の理由ではない。
我々は、ロジスティック回帰は本質的に信頼過剰であり、実現可能で、非パラメータな設定であることを示す。
おそらく驚くことに、過剰な信頼が常にそうであるとは限らないことも示します。
論文 参考訳(メタデータ) (2021-02-15T21:38:09Z) - Cautious Active Clustering [79.23797234241471]
ユークリッド空間上の未知の確率測度からサンプリングされた点の分類の問題を考える。
我々のアプローチは、未知の確率測度を、各クラスに対する条件付き確率の凸結合として考えることである。
論文 参考訳(メタデータ) (2020-08-03T23:47:31Z)
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。