論文の概要: Diagnostic Runtime Monitoring with Martingales

• arxiv url: http://arxiv.org/abs/2407.21748v1
• Date: Wed, 31 Jul 2024 17:05:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 12:08:13.026423
• Title: Diagnostic Runtime Monitoring with Martingales
• Title（参考訳）: Martingalesによる診断ランタイムモニタリング
• Authors: Ali Hindy, Rachel Luo, Somrita Banerjee, Jonathan Kuck, Edward Schmerling, Marco Pavone,
• Abstract要約: 本稿では,複数のマーチンガレットを同時に配置することで,ストリーミング方式で分散シフトを診断するための新しいフレームワークを提案する。 分散シフトの根底にある原因に関する知識は、デプロイされたシステムのライフサイクルに対する適切な介入につながる可能性があることを示す。
• 参考スコア（独自算出の注目度）: 18.539691181328244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning systems deployed in safety-critical robotics settings must be robust to distribution shifts. However, system designers must understand the cause of a distribution shift in order to implement the appropriate intervention or mitigation strategy and prevent system failure. In this paper, we present a novel framework for diagnosing distribution shifts in a streaming fashion by deploying multiple stochastic martingales simultaneously. We show that knowledge of the underlying cause of a distribution shift can lead to proper interventions over the lifecycle of a deployed system. Our experimental framework can easily be adapted to different types of distribution shifts, models, and datasets. We find that our method outperforms existing work on diagnosing distribution shifts in terms of speed, accuracy, and flexibility, and validate the efficiency of our model in both simulated and live hardware settings.
• Abstract（参考訳）: 安全クリティカルなロボティクス設定にデプロイされる機械学習システムは、分散シフトに対して堅牢でなければならない。 しかし,システム設計者は適切な介入や緩和戦略を実行し,システム障害を防止するために,分散シフトの原因を理解する必要がある。 本稿では,複数の確率的マーチンガレットを同時に配置することにより,ストリーミング方式で分散シフトを診断するための新しいフレームワークを提案する。 分散シフトの根底にある原因に関する知識は、デプロイされたシステムのライフサイクルに対する適切な介入につながる可能性があることを示す。 我々の実験フレームワークは、様々な種類の分散シフト、モデル、データセットに容易に適応できる。 提案手法は, 速度, 精度, 柔軟性の観点から分布変化の診断において, 既存手法よりも優れており, シミュレーションおよびライブハードウェア設定の両方において, モデルの有効性を検証する。

関連論文リスト

• Distributionally Adaptive Meta Reinforcement Learning [85.17284589483536]
  テスト時間分布シフトの下で適切に振る舞うメタRLアルゴリズムのフレームワークを開発する。 我々の枠組みは、分布のロバスト性に対する適応的なアプローチを中心とし、様々なレベルの分布シフトに対してロバストであるようメタポリスの人口を訓練する。 本研究は, 分散シフト下での後悔を改善するための枠組みを示し, シミュレーションロボティクス問題に対する効果を実証的に示す。
  論文  参考訳（メタデータ） (2022-10-06T17:55:09Z)
• Robust Calibration with Multi-domain Temperature Scaling [86.07299013396059]
  我々は,複数の領域からのデータを活用することで,分散シフトを処理するシステムキャリブレーションモデルを開発した。 提案手法は,分布シフト時のキャリブレーションを改善するために,領域内のロバスト性を利用する。
  論文  参考訳（メタデータ） (2022-06-06T17:32:12Z)
• Diagnosing failures of fairness transfer across distribution shift in real-world medical settings [60.44405686433434]
  分散シフト下でのモデルフェアネスの変化の診断と緩和は、医療環境における機械学習の安全な展開の重要な構成要素である。 この知識は、文献でしばしば想定されるよりも現実のシフトがより複雑である事例を含む、公平性伝達の失敗の診断に有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-02T13:59:23Z)
• Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
  本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。 変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T22:03:50Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Variational Beam Search for Learning with Distribution Shifts [26.345665980534374]
  i)最小限の連続観測に基づく微妙な分布シフトの推論が可能であり、(ii)それに応じてモデルをオンライン方式で適応できるベイズ式メタアルゴリズムを提案する。 私たちの提案するアプローチはモデルに依存しず、教師なしと教師なしの両方の学習に適用可能であり、最先端のベイズオンライン学習アプローチよりも大幅に改善されます。
  論文  参考訳（メタデータ） (2020-12-15T05:28:47Z)
• WILDS: A Benchmark of in-the-Wild Distribution Shifts [157.53410583509924]
  分散シフトは、ワイルドにデプロイされた機械学習システムの精度を実質的に低下させることができる。 分散シフトの多様な範囲を反映した8つのベンチマークデータセットのキュレーションコレクションであるWILDSを紹介します。 本研究は, 標準訓練の結果, 分布性能よりも, 分布域外性能が有意に低下することを示す。
  論文  参考訳（メタデータ） (2020-12-14T11:14:56Z)

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。