論文の概要: Beta quantile regression for robust estimation of uncertainty in the
presence of outliers
- arxiv url: http://arxiv.org/abs/2309.07374v1
- Date: Thu, 14 Sep 2023 01:18:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 16:40:38.182392
- Title: Beta quantile regression for robust estimation of uncertainty in the
presence of outliers
- Title（参考訳）: 異常値の存在下での不確かさのロバスト推定のためのベータ量子化回帰
- Authors: Haleh Akrami, Omar Zamzam, Anand Joshi, Sergul Aydore, Richard Leahy
- Abstract要約: 量子回帰(Quantile Regression)は、ディープニューラルネットワークにおけるアレタリック不確実性を推定するために用いられる。
本稿では、頑健な分散の概念を取り入れた量子レグレッションのためのロバストな解を提案する。
- 参考スコア（独自算出の注目度）: 1.6377726761463862
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantile Regression (QR) can be used to estimate aleatoric uncertainty in
deep neural networks and can generate prediction intervals. Quantifying
uncertainty is particularly important in critical applications such as clinical
diagnosis, where a realistic assessment of uncertainty is essential in
determining disease status and planning the appropriate treatment. The most
common application of quantile regression models is in cases where the
parametric likelihood cannot be specified. Although quantile regression is
quite robust to outlier response observations, it can be sensitive to outlier
covariate observations (features). Outlier features can compromise the
performance of deep learning regression problems such as style translation,
image reconstruction, and deep anomaly detection, potentially leading to
misleading conclusions. To address this problem, we propose a robust solution
for quantile regression that incorporates concepts from robust divergence. We
compare the performance of our proposed method with (i) least trimmed quantile
regression and (ii) robust regression based on the regularization of
case-specific parameters in a simple real dataset in the presence of outlier.
These methods have not been applied in a deep learning framework. We also
demonstrate the applicability of the proposed method by applying it to a
medical imaging translation task using diffusion models.
- Abstract（参考訳）: QR(Quantile Regression)は、ディープニューラルネットワークにおけるアレタリック不確実性を推定するために使用することができ、予測間隔を生成することができる。
不確かさの定量化は、臨床診断などの重要な応用において特に重要であり、疾患の状態の決定や適切な治療の計画に不確実性の現実的な評価が不可欠である。
分位回帰モデルの最も一般的な応用は、パラメトリック度が特定できない場合である。
質的回帰は、外れた応答観測には非常に頑健であるが、外れた共変量観測(特徴)に敏感である。
外見的特徴は、スタイル翻訳、画像再構成、深層異常検出などのディープラーニング回帰問題のパフォーマンスを損なう可能性があるため、誤解を招く可能性がある。
この問題に対処するために,ロバストな発散から概念を取り入れた分位回帰のためのロバストな解を提案する。
提案手法の性能を比較検討した。
(i)最小トリミング量子レグレッション及び
(ii)外れ値が存在する単純な実データセットにおけるケース固有パラメータの正規化に基づくロバスト回帰。
これらの手法はディープラーニングフレームワークには適用されていない。
また,拡散モデルを用いた医用画像翻訳タスクに適用することにより,提案手法の適用性を示す。
関連論文リスト
- Beyond the Norms: Detecting Prediction Errors in Regression Models [26.178065248948773]
本稿では,回帰アルゴリズムにおける信頼できない振る舞いを検出するという課題に取り組む。
回帰器の出力が特定の不一致(または誤り)を超えた場合、回帰における不確実性の概念を導入する。
複数の回帰タスクに対する誤り検出の実証的改善を示す。
論文 参考訳（メタデータ） (2024-06-11T05:51:44Z) - Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳（メタデータ） (2023-09-15T22:06:29Z) - Likelihood Annealing: Fast Calibrated Uncertainty for Regression [39.382916579076344]
この研究は、Likelihood Annealingと呼ばれる回帰タスクに対する高速な校正不確実性推定手法を提案する。
低次元回帰問題にのみ焦点をあてる従来の回帰の不確実性を校正する手法とは異なり、本手法は高次元回帰を含む幅広い回帰問題に対してうまく機能する。
論文 参考訳（メタデータ） (2023-02-21T21:24:35Z) - Deep Quantile Regression for Uncertainty Estimation in Unsupervised and
Supervised Lesion Detection [0.0]
不確かさは、異常や病変の検出、臨床診断などの重要な応用において重要である。
そこで本研究では,量子レグレッション(quantile regression)を用いてアレータ性不確かさを推定し,教師付き病変検出と教師なし病変検出の両問題における不確かさを推定する。
本研究では, 病変境界位置における専門家の不一致を特徴付けるために, 量子レグレッションがいかに有効かを示す。
論文 参考訳（メタデータ） (2021-09-20T08:50:21Z) - Recalibration of Aleatoric and Epistemic Regression Uncertainty in
Medical Imaging [2.126171264016785]
回帰における不確実性は、信頼できない予測の堅牢な拒絶や、分布外サンプルの検出を可能にする。
sigma $ scalingは予測の不確実性を確実に再調整することができる。
論文 参考訳（メタデータ） (2021-04-26T07:18:58Z) - Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware
Regression [91.3373131262391]
不確かさが唯一の確実性である。
伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。
現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
論文 参考訳（メタデータ） (2021-03-25T06:56:09Z) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳（メタデータ） (2021-02-26T23:21:16Z) - Censored Quantile Regression Forest [81.9098291337097]
我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。
提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
論文 参考訳（メタデータ） (2020-01-08T23:20:23Z)
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。