論文の概要: Measuring Uncertainty Disentanglement Error in Classification

• arxiv url: http://arxiv.org/abs/2408.12175v2
• Date: Wed, 04 Jun 2025 18:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.174207
• Title: Measuring Uncertainty Disentanglement Error in Classification
• Title（参考訳）: 分類における不確かさ不整合誤差の測定
• Authors: Ivo Pascal de Jong, Andreea Ioana Sburlea, Matthia Sabatelli, Matias Valdenegro-Toro,
• Abstract要約: 複数のデータセットを用いて乱れの質をベンチマークする実験のセットを提示する。 情報理論解離を伴う深層アンサンブルが解離誤差として最適であることを示す。
• 参考スコア（独自算出の注目度）: 7.687215328455751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current methods for disentangling aleatoric and epistemic uncertainty in classification with Bayesian Neural Networks have been receiving strong criticism. Information Theoretic measures for aleatoric and epistemic uncertainty are not independent, due to the additivity assumption. However, these investigations do not consider Gaussian Logits, an alternative approach that gets less attention. In this paper, we present a set of three experiments that manipulate the aleatoric and epistemic uncertainty in isolation to benchmark the quality of disentanglement using multiple datasets. Based on these experiments we define the Disentanglement Error as a metric for the quality of disentanglement. We evaluate Information Theoretic and Gaussian Logits disentangling over multiple Bayesian Neural Networks approximations and show that Deep Ensembles with Information Theoretic disentanglement have the best Disentanglement Error, but there is still room for improvement.
• Abstract（参考訳）: ベイジアンニューラルネットを用いた分類における失語症・てんかんの不確かさを解消するための現在の手法は、強い批判を受けている。 補助的仮定のため、アレタリックおよびてんかんの不確実性に対する情報理論的尺度は独立ではない。 しかし、これらの調査はガウシアン・ロジッツ(ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジッツ、ガウシアン・ロジ)を軽視する別のアプローチとはみなしていない。 本稿では,複数のデータセットを用いて乱れの質をベンチマークするために,孤立状態における動脈およびてんかんの不確実性を操作する3つの実験について述べる。 これらの実験に基づいて、不整合誤差を不整合の質の指標として定義する。 情報理論とガウスロジットを複数のベイズニューラルネットワーク上で解離し、情報理論の解離を伴うディープアンサンブルが最良の解離誤差を持つことを示すが、まだ改善の余地がある。

関連論文リスト

• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• From Risk to Uncertainty: Generating Predictive Uncertainty Measures via Bayesian Estimation [5.355925496689674]
  私たちは、異なる予測の不確実性対策を作成できるフレームワークを構築します。 本手法は,分布外および誤分類インスタンスの検出において,その性能を評価することにより,画像データセット上での検証を行う。
  論文  参考訳（メタデータ） (2024-02-16T14:40:22Z)
• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction [0.39287497907611874]
  メンテナンス計画の中核となる部分は、健康と劣化に関する優れた予後を提供する監視システムである。 本稿では,確率論的RUL予測のためのアンサンブルニューラルネットワークを提案する。 この方法はNASAのターボファンジェットエンジンであるCMAPSSのデータセットで試験される。
  論文  参考訳（メタデータ） (2023-09-21T19:38:44Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• 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)
• A Deeper Look into Aleatoric and Epistemic Uncertainty Disentanglement [7.6146285961466]
  本稿では,不整合不整合を生成する手法を一般化し,不整合不整合の定量化を行う。 本研究は,学習失語症とてんかん不確実性との間に相互作用があることを示し,失語症不確実性に対する仮定に違反していることを示す。 我々の定式化と結果は、実践者や研究者が不確実性を選択するのに役立ち、不確実性の利用を拡大するのに役立つと期待する。
  論文  参考訳（メタデータ） (2022-04-20T08:41:37Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• 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)
• 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)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。