論文の概要: Uncertainty quantification for probabilistic machine learning in earth observation using conformal prediction

• arxiv url: http://arxiv.org/abs/2401.06421v1
• Date: Fri, 12 Jan 2024 07:31:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 20:07:50.539015
• Title: Uncertainty quantification for probabilistic machine learning in earth observation using conformal prediction
• Title（参考訳）: 共形予測を用いた地球観測における確率的機械学習の不確かさ定量化
• Authors: Geethen Singh, Glenn Moncrieff, Zander Venter, Kerry Cawse-Nicholson, Jasper Slingsby and Tamara B Robinson
• Abstract要約: ダウンストリームアプリケーションに否定的な結果をもたらす人工知能(AI)システムを使用する場合、信頼性の低い予測が発生する可能性がある。 コンフォーマル予測は、あらゆるデータセットに適用可能な不確実性定量化のためのモデルに依存しないフレームワークを提供する。 点予測とともに不確実性を報告する必要性が高まっているため、地球観測応用における等角予測の約束に注意を向ける。
• 参考スコア（独自算出の注目度）: 0.22265536092123003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unreliable predictions can occur when using artificial intelligence (AI) systems with negative consequences for downstream applications, particularly when employed for decision-making. Conformal prediction provides a model-agnostic framework for uncertainty quantification that can be applied to any dataset, irrespective of its distribution, post hoc. In contrast to other pixel-level uncertainty quantification methods, conformal prediction operates without requiring access to the underlying model and training dataset, concurrently offering statistically valid and informative prediction regions, all while maintaining computational efficiency. In response to the increased need to report uncertainty alongside point predictions, we bring attention to the promise of conformal prediction within the domain of Earth Observation (EO) applications. To accomplish this, we assess the current state of uncertainty quantification in the EO domain and found that only 20% of the reviewed Google Earth Engine (GEE) datasets incorporated a degree of uncertainty information, with unreliable methods prevalent. Next, we introduce modules that seamlessly integrate into existing GEE predictive modelling workflows and demonstrate the application of these tools for datasets spanning local to global scales, including the Dynamic World and Global Ecosystem Dynamics Investigation (GEDI) datasets. These case studies encompass regression and classification tasks, featuring both traditional and deep learning-based workflows. Subsequently, we discuss the opportunities arising from the use of conformal prediction in EO. We anticipate that the increased availability of easy-to-use implementations of conformal predictors, such as those provided here, will drive wider adoption of rigorous uncertainty quantification in EO, thereby enhancing the reliability of uses such as operational monitoring and decision making.
• Abstract（参考訳）: 人工知能(AI)システムを使用して下流のアプリケーション、特に意思決定に使用される場合には、信頼性の低い予測が発生する。 コンフォーマル予測は、その分布に関係なく、どんなデータセットにも適用可能な不確実性定量化のためのモデルに依存しないフレームワークを提供する。 他の画素レベルの不確実性定量化手法とは対照的に、コンフォメーション予測は基礎となるモデルやトレーニングデータセットへのアクセスを必要とせず、計算効率を維持しながら統計的に有効な情報予測領域を同時に提供する。 点予測とともに不確実性を報告する必要性が高まっているため、地球観測(EO)分野における整合予測の約束に注意を向ける。 これを実現するために、EOドメインにおける不確実性定量化の現状を評価し、レビューされたGoogle Earth Engine(GEE)データセットの20%に、信頼性の低い手法が組み込まれていることを発見した。 次に、既存のGEE予測モデリングワークフローにシームレスに統合されたモジュールを紹介し、Dynamic WorldとGlobal Ecosystem Dynamics Investigation (GEDI)データセットを含むグローバルスケールにまたがるデータセットに対するこれらのツールの適用例を示す。 これらのケーススタディは回帰と分類のタスクを含み、従来のワークフローとディープラーニングベースのワークフローの両方を特徴としている。 続いて、EOにおける共形予測の利用から生じる機会について論じる。 本発表では, コンフォメーション予測器の使い勝手の向上により, 厳密な不確実性定量化がEOで広く採用され, 運用監視や意思決定などの利用の信頼性の向上が期待できる。

関連論文リスト

• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Conditional Shift-Robust Conformal Prediction for Graph Neural Network [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの結果を予測する強力なツールとして登場した。 有効性にもかかわらず、GNNは堅牢な不確実性推定を提供する能力に制限がある。 本稿では,GNNに対する条件シフトロバスト(CondSR)の共形予測を提案する。
  論文  参考訳（メタデータ） (2024-05-20T11:47:31Z)
• Introducing an Improved Information-Theoretic Measure of Predictive Uncertainty [6.3398383724486544]
  予測の不確実性は、ベイズ平均(BMA)予測分布のエントロピーによってよく測定される。 これらの制限を克服するために理論的に根ざした尺度を導入する。 提案手法は, 制御された合成タスクにおいて, より合理的に振る舞う。
  論文  参考訳（メタデータ） (2023-11-14T16:55:12Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Probabilistic Deep Learning for Instance Segmentation [9.62543698736491]
  提案手法は,提案不要なインスタンスセグメンテーションモデルにおけるモデル独立不確実性推定値を得るための汎用的な手法である。 本手法は,BBBC010 C. elegansデータセットを用いて評価し,競合性能を示す。
  論文  参考訳（メタデータ） (2020-08-24T19:51:48Z)
• Estimation with Uncertainty via Conditional Generative Adversarial Networks [3.829070379776576]
  条件付き生成逆数ネットワーク(cGAN)におけるジェネレータの使い方が異なる予測確率型ニューラルネットワークモデルを提案する。 通常のcGANの入力と出力を反転させることで、モデルを予測モデルとしてうまく利用することができる。 さらに,予測の不確実性を測定するために,回帰問題や分類問題に対するエントロピーと相対エントロピーを導入する。
  論文  参考訳（メタデータ） (2020-07-01T08:54:17Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。