Fugu-MT 論文翻訳(概要): A Review of Global Sensitivity Analysis Methods and a comparative case study on Digit Classification

論文の概要: A Review of Global Sensitivity Analysis Methods and a comparative case study on Digit Classification

arxiv url: http://arxiv.org/abs/2406.16975v1
Date: Sun, 23 Jun 2024 00:38:19 GMT
ステータス: 処理完了
システム内更新日: 2024-06-26 19:00:25.399103
Title: A Review of Global Sensitivity Analysis Methods and a comparative case study on Digit Classification
Title（参考訳）: グローバル感度分析手法のレビューとディジット分類の比較事例
Authors: Zahra Sadeghi, Stan Matwin,
Abstract要約: グローバル感度分析(GSA)は、ある決定を下すモデルにつながる影響のある入力要素を検出することを目的としている。本稿では,グローバルな感度分析手法に関する総合的なレビューと比較を行う。
参考スコア（独自算出の注目度）: 5.458813674116228
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Global sensitivity analysis (GSA) aims to detect influential input factors that lead a model to arrive at a certain decision and is a significant approach for mitigating the computational burden of processing high dimensional data. In this paper, we provide a comprehensive review and a comparison on global sensitivity analysis methods. Additionally, we propose a methodology for evaluating the efficacy of these methods by conducting a case study on MNIST digit dataset. Our study goes through the underlying mechanism of widely used GSA methods and highlights their efficacy through a comprehensive methodology.
Abstract（参考訳）: グローバル感度分析(GSA)は、ある決定にモデルが到達する要因を検出することを目的としており、高次元データ処理の計算負担を軽減する重要なアプローチである。本稿では,グローバルな感度分析手法に関する総合的なレビューと比較を行う。さらに,MNIST桁データセットのケーススタディを行い,これらの手法の有効性を評価する手法を提案する。本研究は,広く用いられているGSA法の基礎的メカニズムを概説し,その効果を包括的手法を用いて強調する。

関連論文リスト

Comprehensive Review and Empirical Evaluation of Causal Discovery Algorithms for Numerical Data [3.9523536371670045]
因果解析は、様々な分野における現象の根本原因を理解する上で不可欠な要素となっている。因果発見アルゴリズムに関する既存の文献は、一貫性のない方法論で断片化されている。包括的な評価の欠如、すなわちデータ特性は、ベンチマークアルゴリズムにおいて共同で解析されることがしばしば無視される。
論文参考訳（メタデータ） (2024-07-17T23:47:05Z)
Active Learning for Derivative-Based Global Sensitivity Analysis with Gaussian Processes [70.66864668709677]
高価なブラックボックス関数のグローバル感度解析におけるアクティブラーニングの問題点を考察する。関数評価は高価であるため,最も価値の高い実験資源の優先順位付けにアクティブラーニングを利用する。本稿では,デリバティブに基づくグローバル感度測定の重要量を直接対象とする,新たな能動的学習獲得関数を提案する。
論文参考訳（メタデータ） (2024-07-13T01:41:12Z)
Key Design Choices in Source-Free Unsupervised Domain Adaptation: An In-depth Empirical Analysis [16.0130560365211]
本研究では、画像分類におけるSF-UDA(Source-Free Unsupervised Domain Adaptation)のベンチマークフレームワークを提供する。この研究は、さまざまなSF-UDAテクニックを実証的に検証し、データセット間の一貫性を評価する。トレーニング済みのデータセットと戦略を徹底的に評価し、特に教師付きおよび自己監督型の手法に重点を置いている。
論文参考訳（メタデータ） (2024-02-25T13:37:36Z)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
Making Machine Learning Datasets and Models FAIR for HPC: A Methodology and Case Study [0.0]
FAIR Guiding Principlesは、デジタルコンテンツの発見可能性、アクセシビリティ、相互運用性、再利用性を改善することを目的としている。これらの原則は、ハイパフォーマンスコンピューティングのための機械学習ベースのプログラム分析と最適化の分野において、まだ広く採用されていない。我々は、既存のFAIRness評価と改善技術を調査した後、HPCデータセットと機械学習モデルFAIRを作成する手法を設計する。
論文参考訳（メタデータ） (2022-11-03T18:45:46Z)
On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
論文参考訳（メタデータ） (2022-06-24T16:29:43Z)
Safe Exploration for Efficient Policy Evaluation and Comparison [20.97686379166058]
バンディット政策評価のための効率的で安全なデータ収集について検討する。各変種について、その統計特性を分析し、対応する探索ポリシーを導出し、それを計算するための効率的なアルゴリズムを設計する。
論文参考訳（メタデータ） (2022-02-26T21:41:44Z)
MUC-driven Feature Importance Measurement and Adversarial Analysis for Random Forest [1.5896078006029473]
我々は形式的手法と論理的推論を活用して、ランダムフォレスト(RF)の予測を説明する新しいモデル固有の方法を開発した。提案手法は, 最小不飽和コア(MUC)を中心に, 特徴重要度, 局所的・グローバル的側面, および対向的サンプル分析に関する包括的ソリューションを提供する。提案手法はユーザ中心のレポートを作成でき,リアルタイムアプリケーションにレコメンデーションを提供するのに役立つ。
論文参考訳（メタデータ） (2022-02-25T06:15:47Z)
Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文参考訳（メタデータ） (2022-01-31T20:58:47Z)
Through the Data Management Lens: Experimental Analysis and Evaluation of Fair Classification [75.49600684537117]
データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
論文参考訳（メタデータ） (2021-01-18T22:55:40Z)
SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文参考訳（メタデータ） (2020-06-12T10:40:46Z)

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。