Fugu-MT 論文翻訳(概要): DEMAU: Decompose, Explore, Model and Analyse Uncertainties

論文の概要: DEMAU: Decompose, Explore, Model and Analyse Uncertainties

arxiv url: http://arxiv.org/abs/2409.08105v1
Date: Thu, 12 Sep 2024 14:57:28 GMT
ステータス: 処理完了
システム内更新日: 2024-09-13 16:07:58.650679
Title: DEMAU: Decompose, Explore, Model and Analyse Uncertainties
Title（参考訳）: DEMAU: 不確かさの分解、探索、モデル、分析
Authors: Arthur Hoarau, Vincent Lemaire,
Abstract要約: DEMAUはオープンソースの教育、探索、分析ツールで、機械学習における分類モデルのいくつかのタイプの不確実性を視覚化し、探索することができる。
参考スコア（独自算出の注目度）: 0.8287206589886881
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Recent research in machine learning has given rise to a flourishing literature on the quantification and decomposition of model uncertainty. This information can be very useful during interactions with the learner, such as in active learning or adaptive learning, and especially in uncertainty sampling. To allow a simple representation of these total, epistemic (reducible) and aleatoric (irreducible) uncertainties, we offer DEMAU, an open-source educational, exploratory and analytical tool allowing to visualize and explore several types of uncertainty for classification models in machine learning.
Abstract（参考訳）: 機械学習の最近の研究は、モデル不確実性の定量化と分解について、盛んに研究されている。この情報は、アクティブラーニングや適応学習、特に不確実なサンプリングなど、学習者との相互作用において非常に有用である。これらの総体的(再現性)およびアレタリックな(非再現性)不確実性の簡易表現を可能にするため、機械学習における分類モデルに対するいくつかの種類の不確実性を可視化し、探索し、分析するためのオープンソースの教育ツールであるDEMAUを提供する。

関連論文リスト

Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文参考訳（メタデータ） (2024-10-08T17:59:03Z)
Towards Understanding the Feasibility of Machine Unlearning [14.177012256360635]
未学習の難易度を定量化するための新しい指標のセットを提案する。具体的には,学習を成功させるのに必要な条件を評価するために,いくつかの指標を提案する。また、最も難解なサンプルを特定するためのランキング機構も提示する。
論文参考訳（メタデータ） (2024-10-03T23:41:42Z)
Complementary Learning for Real-World Model Failure Detection [15.779651238128562]
そこでは、異なる訓練パラダイムから学習特性を用いてモデルエラーを検出する。我々は,制御的かつ自己管理的な方法で,点群における意味的および予測的動作ラベルを学習することにより,我々のアプローチを実証する。大規模定性解析を行い、ライダー点雲にラベル付き異常を持つ最初のデータセットであるLidarCODAを提示する。
論文参考訳（メタデータ） (2024-07-19T13:36:35Z)
Semi-Supervised and Unsupervised Deep Visual Learning: A Survey [76.2650734930974]
半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。本稿では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点による視覚的認識について概説する。
論文参考訳（メタデータ） (2022-08-24T04:26:21Z)
Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning [27.841725567976315]
本稿では,逆逆強化学習を利用した新しいフレームワークを提案する。このフレームワークは、強化学習モデルによる決定のグローバルな説明を提供する。モデルの意思決定過程を要約することで、モデルが従う直感的な傾向を捉える。
論文参考訳（メタデータ） (2022-03-30T17:01:59Z)
What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文参考訳（メタデータ） (2022-02-12T06:10:15Z)
A Survey on Epistemic (Model) Uncertainty in Supervised Learning: Recent Advances and Applications [18.731827159755014]
教師付き学習モデルの不確実性の定量化は、より信頼性の高い予測を行う上で重要な役割を果たす。通常、モデルに関する知識不足が原因で生じるてんかんの不確実性は、より多くのデータを集めることで軽減できる。
論文参考訳（メタデータ） (2021-11-03T01:22:46Z)
Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文参考訳（メタデータ） (2021-07-07T11:17:09Z)
Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文参考訳（メタデータ） (2021-03-18T12:57:34Z)
Leveraging Uncertainty from Deep Learning for Trustworthy Materials Discovery Workflows [16.53952506314226]
予測不確実性を活用することで、特定の分類精度を達成するために必要なトレーニングデータセットのサイズを決定できることを示す。また,紛らわしいサンプルの判断を検知・拒否するために,不確実性誘導決定基準を提案する。
論文参考訳（メタデータ） (2020-12-02T19:34:16Z)
Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
論文参考訳（メタデータ） (2020-03-25T11:08:56Z)

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。