論文の概要: Efficient Normalized Conformal Prediction and Uncertainty Quantification
for Anti-Cancer Drug Sensitivity Prediction with Deep Regression Forests
- arxiv url: http://arxiv.org/abs/2402.14080v1
- Date: Wed, 21 Feb 2024 19:09:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-23 17:22:01.402941
- Title: Efficient Normalized Conformal Prediction and Uncertainty Quantification
for Anti-Cancer Drug Sensitivity Prediction with Deep Regression Forests
- Title（参考訳）: 深層回帰林を用いた抗がん剤感受性予測のための効率的正規化コンフォメーション予測と不確実性定量化
- Authors: Daniel Nolte, Souparno Ghosh, Ranadip Pal
- Abstract要約: 予測間隔で機械学習モデルをペアリングするための有望な方法として、コンフォーマル予測が登場した。
本研究では,深部回帰林から得られた分散度を算出し,各試料の不確かさを推定する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models are being adopted and applied on various critical
decision-making tasks, yet they are trained to provide point predictions
without providing degrees of confidence. The trustworthiness of deep learning
models can be increased if paired with uncertainty estimations. Conformal
Prediction has emerged as a promising method to pair machine learning models
with prediction intervals, allowing for a view of the model's uncertainty.
However, popular uncertainty estimation methods for conformal prediction fail
to provide heteroskedastic intervals that are equally accurate for all samples.
In this paper, we propose a method to estimate the uncertainty of each sample
by calculating the variance obtained from a Deep Regression Forest. We show
that the deep regression forest variance improves the efficiency and coverage
of normalized inductive conformal prediction on a drug response prediction
task.
- Abstract（参考訳）: ディープラーニングモデルが採用され、さまざまな重要な意思決定タスクに適用されているが、信頼性を提供することなく、ポイント予測を提供するようにトレーニングされている。
深層学習モデルの信頼性は、不確実性推定と組み合わせれば向上できる。
共形予測は、機械学習モデルと予測間隔を組み合わせる有望な方法として登場し、モデルの不確かさを見ることができる。
しかし、共形予測のための一般的な不確実性推定手法は、全てのサンプルに対して等しく正確であるヘテロスケダティック区間を与えることができない。
本稿では,深部回帰林から得られた分散度を算出し,各試料の不確かさを推定する手法を提案する。
深い回帰林の分散は,薬物応答予測タスクにおける正規化帰納的共形予測の効率と範囲を改善する。
関連論文リスト
- 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) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Comparison of Uncertainty Quantification with Deep Learning in Time
Series Regression [7.6146285961466]
本稿では,気象時系列データと異なる不確実性推定手法を比較した。
その結果,各不確実性推定手法が予測タスクに与える影響が示された。
論文 参考訳（メタデータ） (2022-11-11T14:29:13Z) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳（メタデータ） (2022-08-11T15:21:53Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Loss Estimators Improve Model Generalization [36.520569284970456]
予測モデルと並行して損失推定器を訓練し,対照訓練目標を用いて予測の不確実性を直接推定する。
モデル一般化における損失推定器の影響を,その分布データに対する忠実度と,トレーニング中に見つからない分布サンプルや新しいクラスの検出能力の両方の観点から示す。
論文 参考訳（メタデータ） (2021-03-05T16:35:10Z) - DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。
一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文 参考訳（メタデータ） (2021-02-16T23:50:35Z) - Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via
Higher-Order Influence Functions [121.10450359856242]
我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。
1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
論文 参考訳（メタデータ） (2020-06-29T13:36:52Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。