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

• Certainly Uncertain: A Benchmark and Metric for Multimodal Epistemic and Aleatoric Awareness [106.52630978891054]
  視覚言語AIシステムに特有の不確実性の分類法を提案する。 また、精度と校正誤差の両方によく相関する新しい計量信頼度重み付き精度を導入する。
  論文  参考訳（メタデータ） (2024-07-02T04:23:54Z)
• To Believe or Not to Believe Your LLM [51.2579827761899]
  大規模言語モデル(LLM)における不確実性定量化について検討する。 疫学的な不確実性が大きい場合にのみ確実に検出できる情報理論の指標を導出する。 定式化の利点を実証する一連の実験を行う。
  論文  参考訳（メタデータ） (2024-06-04T17:58:18Z)
• A comparative study of conformal prediction methods for valid uncertainty quantification in machine learning [0.0]
  論文は、誰もが不確実性に気付いていて、それがどれほど重要か、そしてそれを恐れずにそれをどのように受け入れるか、という世界を探求しようとします。 しかし、正確な不確実性推定を誰でも得るための特定のフレームワークが選別され、分析される。
  論文  参考訳（メタデータ） (2024-05-03T13:19:33Z)
• Quantifying Aleatoric and Epistemic Uncertainty with Proper Scoring Rules [19.221081896134567]
  不確実性表現と定量化は機械学習において最重要である。 本稿では,適切なスコアリングルールに基づいて,アレータリックおよび(現状)不確実性の定量化のための尺度を提案する。
  論文  参考訳（メタデータ） (2024-04-18T14:20:19Z)
• 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)
• 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)
• 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。