論文の概要: Analytical results for uncertainty propagation through trained machine learning regression models

• arxiv url: http://arxiv.org/abs/2404.11224v1
• Date: Wed, 17 Apr 2024 10:16:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-18 14:35:31.414998
• Title: Analytical results for uncertainty propagation through trained machine learning regression models
• Title（参考訳）: 学習機械学習回帰モデルによる不確実性伝播の解析結果
• Authors: Andrew Thompson,
• Abstract要約: 本稿では、トレーニング/修正機械学習(ML)回帰モデルによる不確実性伝播の課題に対処する。 計算効率の観点から,本手法の有効性を検証し,モンテカルロ法と比較する数値実験を行った。
• 参考スコア（独自算出の注目度）: 0.10878040851637999
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) models are increasingly being used in metrology applications. However, for ML models to be credible in a metrology context they should be accompanied by principled uncertainty quantification. This paper addresses the challenge of uncertainty propagation through trained/fixed machine learning (ML) regression models. Analytical expressions for the mean and variance of the model output are obtained/presented for certain input data distributions and for a variety of ML models. Our results cover several popular ML models including linear regression, penalised linear regression, kernel ridge regression, Gaussian Processes (GPs), support vector machines (SVMs) and relevance vector machines (RVMs). We present numerical experiments in which we validate our methods and compare them with a Monte Carlo approach from a computational efficiency point of view. We also illustrate our methods in the context of a metrology application, namely modelling the state-of-health of lithium-ion cells based upon Electrical Impedance Spectroscopy (EIS) data
• Abstract（参考訳）: 機械学習(ML)モデルは、メタロジーアプリケーションでますます使われています。 しかし、メタロジカルな文脈でMLモデルを信頼性のあるものにするには、原理化された不確実性定量化を伴わなければならない。 本稿では、トレーニング/修正機械学習(ML)回帰モデルによる不確実性伝播の課題に対処する。 特定の入力データ分布および各種MLモデルに対して、モデル出力の平均および分散に対する解析式を取得/表示する。 本稿では,線形回帰,ペナル化線形回帰,カーネルリッジ回帰,ガウス過程(GP),サポートベクターマシン(SVM),関連ベクターマシン(RVM)などのMLモデルについて述べる。 計算効率の観点から,本手法の有効性を検証し,モンテカルロ法と比較する数値実験を行った。 EIS(Electronic Impedance Spectroscopy)データに基づくリチウムイオンセルの健康状態のモデル化という,メトロジー応用の文脈における我々の手法についても解説する。

関連論文リスト

• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Statistical Agnostic Regression: a machine learning method to validate regression models [0.0]
  本稿では,機械学習に基づく線形回帰モデルの統計的意義を評価するために,統計的回帰(Agnostic Regression, SAR)を導入する。 我々は、説明的(機能)変数と反応(ラベル)変数の間の集団における線形関係の存在を結論付けるために、少なくとも1-eta$の確率で十分な証拠が存在することを保証するしきい値を定義する。
  論文  参考訳（メタデータ） (2024-02-23T09:19:26Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• Resolving quantitative MRI model degeneracy with machine learning via training data distribution design [2.2086005010186387]
  定量的MRIは、未知量の組織特性を計測されたMRI信号に関連付けるモデルを介して、非侵襲的に組織特性をマッピングすることを目的としている。 従来モデルフィッティングを必要としていたこれらの未知を推定することは、ワンショット機械学習(ML)アプローチで行えるようになった。 経験的証拠の増大は、MLアプローチがモデル縮退の影響を受けやすいことを示唆しているようである。
  論文  参考訳（メタデータ） (2023-03-09T18:10:45Z)
• Bayesian Active Learning for Discrete Latent Variable Models [19.852463786440122]
  アクティブラーニングは、モデルのパラメータに適合するために必要なデータ量を削減しようとする。 潜在変数モデルは神経科学、心理学、その他の様々な工学、科学分野において重要な役割を果たす。
  論文  参考訳（メタデータ） (2022-02-27T19:07:12Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• An interpretable prediction model for longitudinal dispersion coefficient in natural streams based on evolutionary symbolic regression network [30.99493442296212]
  縦分散係数(LDC)の予測には様々な方法が提案されている。 本稿では,まずこれらの手法の詳細な解析を行い,その欠陥を明らかにする。 次に、進化的記号回帰ネットワーク(ESRN)と呼ばれる新しい記号回帰法を設計する。
  論文  参考訳（メタデータ） (2021-06-17T07:06:05Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)
• Using machine learning to correct model error in data assimilation and forecast applications [0.0]
  本稿では,既存の知識ベースモデルの誤りを訂正するために,この手法を提案する。 結果として得られるサロゲートモデルは、元の(知識ベース)モデルとMLモデルとのハイブリッドモデルである。 DAのハイブリッドサロゲートモデルを用いることで、元のモデルよりもはるかに優れた分析が得られる。
  論文  参考訳（メタデータ） (2020-10-23T18:30:45Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。