論文の概要: Uncertainty-Aware Mean Opinion Score Prediction

• arxiv url: http://arxiv.org/abs/2408.12829v1
• Date: Fri, 23 Aug 2024 04:24:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 15:59:33.694086
• Title: Uncertainty-Aware Mean Opinion Score Prediction
• Title（参考訳）: 不確実性を考慮した平均オピニオンスコア予測
• Authors: Hui Wang, Shiwan Zhao, Jiaming Zhou, Xiguang Zheng, Haoqin Sun, Xuechen Wang, Yong Qin,
• Abstract要約: 平均オピニオンスコア(MOS)予測は特定の領域で大きく進歩した。 MOS予測モデルの不安定な性能は、これらのシステムの実用化における継続的な課題を示す。
• 参考スコア（独自算出の注目度）: 12.310174987560313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mean Opinion Score (MOS) prediction has made significant progress in specific domains. However, the unstable performance of MOS prediction models across diverse samples presents ongoing challenges in the practical application of these systems. In this paper, we point out that the absence of uncertainty modeling is a significant limitation hindering MOS prediction systems from applying to the real and open world. We analyze the sources of uncertainty in the MOS prediction task and propose to establish an uncertainty-aware MOS prediction system that models aleatory uncertainty and epistemic uncertainty by heteroscedastic regression and Monte Carlo dropout separately. The experimental results show that the system captures uncertainty well and is capable of performing selective prediction and out-of-domain detection. Such capabilities significantly enhance the practical utility of MOS systems in diverse real and open-world environments.
• Abstract（参考訳）: 平均オピニオンスコア(MOS)予測は特定の領域で大きく進歩した。 しかし,様々なサンプルを対象としたMOS予測モデルの不安定な性能は,これらのシステムの実用化において現在進行中の課題を呈している。 本稿では,不確実性モデリングの欠如が,MOS予測システムによる実世界やオープン世界への適応を妨げていることを指摘する。 我々は,MOS予測タスクにおける不確実性の原因を解析し,ヘテロセダスティック回帰とモンテカルロドロップアウトを別々にモデル化する不確実性を考慮したMOS予測システムの構築を提案する。 実験の結果,システムは不確実性をよく捉え,選択的予測や領域外検出を行うことができることがわかった。 このような機能は、様々な実環境とオープンワールド環境におけるMOSシステムの実用性を大幅に向上させる。

関連論文リスト

• Entropy-Based Uncertainty Modeling for Trajectory Prediction in Autonomous Driving [9.365269316773219]
  我々は、不確実性の定量化、分解、およびモデル構成の影響に焦点を当てた全体論的アプローチを採用する。 提案手法は,不確実性を測定するための理論に基づく情報理論に基づく手法である。 我々はnuScenesデータセットに関する広範な実験を行い、異なるモデルアーキテクチャと構成が不確実性定量化とモデルロバスト性にどのように影響するかを評価する。
  論文  参考訳（メタデータ） (2024-10-02T15:02:32Z)
• (Implicit) Ensembles of Ensembles: Epistemic Uncertainty Collapse in Large Models [3.0539022029583953]
  疫学的な不確実性は、安全クリティカルなアプリケーションとアウト・オブ・ディストリビューション検出タスクに不可欠である。 深層学習モデルのパラドックス現象を明らかにする。
  論文  参考訳（メタデータ） (2024-09-04T11:45:55Z)
• Uncertainty quantification for probabilistic machine learning in earth observation using conformal prediction [0.22265536092123003]
  ダウンストリームアプリケーションに否定的な結果をもたらす人工知能(AI)システムを使用する場合、信頼性の低い予測が発生する可能性がある。 コンフォーマル予測は、あらゆるデータセットに適用可能な不確実性定量化のためのモデルに依存しないフレームワークを提供する。 点予測とともに不確実性を報告する必要性が高まっているため、地球観測応用における等角予測の約束に注意を向ける。
  論文  参考訳（メタデータ） (2024-01-12T07:31:21Z)
• Introducing an Improved Information-Theoretic Measure of Predictive Uncertainty [6.3398383724486544]
  予測の不確実性は、ベイズ平均(BMA)予測分布のエントロピーによってよく測定される。 これらの制限を克服するために理論的に根ざした尺度を導入する。 提案手法は, 制御された合成タスクにおいて, より合理的に振る舞う。
  論文  参考訳（メタデータ） (2023-11-14T16:55:12Z)
• Conformalized Multimodal Uncertainty Regression and Reasoning [0.9205582989348333]
  本稿では,マルチモーダル(不連続)不確実性境界を予測できる軽量不確実性推定器を提案する。 本稿では,空飛ぶ領域対称性などの環境特性が多モード不確実性をもたらす視覚計測(VO)への応用について論じる。
  論文  参考訳（メタデータ） (2023-09-20T02:40:59Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• 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)
• 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)
• An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
  人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。 シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
  論文  参考訳（メタデータ） (2020-07-14T15:47:37Z)
• 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。