論文の概要: Model Agnostic Explainable Selective Regression via Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2311.09145v1
• Date: Wed, 15 Nov 2023 17:40:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 14:53:03.520416
• Title: Model Agnostic Explainable Selective Regression via Uncertainty Estimation
• Title（参考訳）: 不確実性推定によるモデル非依存的説明可能な選択回帰
• Authors: Andrea Pugnana, Carlos Mougan, Dan Saattrup Nielsen
• Abstract要約: 本稿では,モデルに依存しない非パラメトリック不確実性推定を用いた選択回帰手法を提案する。 提案フレームワークは,最先端の選択的回帰器と比較して優れた性能を示す。 オープンソースPythonパッケージに選択的回帰法を実装し、実験を再現するために使用するコードをリリースする。
• 参考スコア（独自算出の注目度）: 15.331332191290727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the wide adoption of machine learning techniques, requirements have evolved beyond sheer high performance, often requiring models to be trustworthy. A common approach to increase the trustworthiness of such systems is to allow them to refrain from predicting. Such a framework is known as selective prediction. While selective prediction for classification tasks has been widely analyzed, the problem of selective regression is understudied. This paper presents a novel approach to selective regression that utilizes model-agnostic non-parametric uncertainty estimation. Our proposed framework showcases superior performance compared to state-of-the-art selective regressors, as demonstrated through comprehensive benchmarking on 69 datasets. Finally, we use explainable AI techniques to gain an understanding of the drivers behind selective regression. We implement our selective regression method in the open-source Python package doubt and release the code used to reproduce our experiments.
• Abstract（参考訳）: 機械学習技術が広範に採用されると、要求は高いパフォーマンスを超えて進化し、しばしばモデルが信頼できるように要求される。 このようなシステムの信頼性を高める一般的なアプローチは、予測を控えることである。 このような枠組みは選択的予測として知られている。 分類タスクの選択的予測は広く分析されているが,選択的回帰の問題が検討されている。 本稿では,モデル非依存な非パラメトリック不確実性推定を用いた選択的回帰法を提案する。 提案フレームワークは,69データセットの総合的なベンチマークにより,最先端の選択的回帰器と比較して優れた性能を示す。 最後に、説明可能なAI技術を使用して、選択回帰の背後にあるドライバの理解を得ます。 オープンソースPythonパッケージに選択的回帰法を実装し、実験を再現するために使用するコードをリリースする。

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)
• Conformalized Selective Regression [2.3964255330849356]
  共形予測を利用した選択回帰手法を提案する。 提案手法は, 選択回帰に適合し, 複数の最先端ベースラインに対して有利であることを示す。
  論文  参考訳（メタデータ） (2024-02-26T04:43:50Z)
• Uncertainty-aware Language Modeling for Selective Question Answering [107.47864420630923]
  本稿では,不確実性を考慮したLLMを生成するLLM変換手法を提案する。 我々のアプローチはモデルとデータに依存しず、計算効率が高く、外部モデルやシステムに依存しない。
  論文  参考訳（メタデータ） (2023-11-26T22:47:54Z)
• Leveraging Uncertainty Estimates To Improve Classifier Performance [4.4951754159063295]
  バイナリ分類では、正のクラスのモデルスコアが、アプリケーション要求に基づいて選択されたしきい値を超えるかどうかに基づいて、インスタンスのラベルを予測する。 しかし、モデルスコアは真の肯定率と一致しないことが多い。 これは特に、クラス間の差分サンプリングを含むトレーニングや、トレインとテスト設定間の分散ドリフトがある場合に当てはまる。
  論文  参考訳（メタデータ） (2023-11-20T12:40:25Z)
• 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)
• ResMem: Learn what you can and memorize the rest [79.19649788662511]
  本稿では,既存の予測モデルを拡張するための残差記憶アルゴリズム(ResMem)を提案する。 構築によって、ResMemはトレーニングラベルを明示的に記憶することができる。 ResMemは、元の予測モデルのテストセットの一般化を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2023-02-03T07:12:55Z)
• Gumbel-Softmax Selective Networks [10.074545631396385]
  本稿では,エンド・ツー・エンドの差別化可能なトレーニングフレームワークの選択を可能にする,選択的ネットワークの学習方法を提案する。 公開データセットの実験は、選択的回帰と分類のためのガンベル-ソフトマックス選択ネットワークの可能性を示している。
  論文  参考訳（メタデータ） (2022-11-19T02:20:14Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• 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)
• Ridge Regression Revisited: Debiasing, Thresholding and Bootstrap [4.142720557665472]
  リッジレグレッションは、デバイアスとしきい値の設定の後、Lassoに対していくつかの利点をもたらすので、見直す価値があるかもしれない。 本稿では,デバイアス付き及びしきい値付きリッジ回帰法を定義し,一貫性とガウス近似の定理を証明した。 推定に加えて予測の問題も考慮し,予測間隔に合わせた新しいハイブリッドブートストラップアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-17T05:04:10Z)
• 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。