論文の概要: An Efficient Model-Agnostic Approach for Uncertainty Estimation in Data-Restricted Pedometric Applications
- arxiv url: http://arxiv.org/abs/2409.11985v1
- Date: Wed, 18 Sep 2024 13:43:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-19 17:36:39.575319
- Title: An Efficient Model-Agnostic Approach for Uncertainty Estimation in Data-Restricted Pedometric Applications
- Title（参考訳）: データ制限ペドメトリ応用における不確実性推定の効率的なモデル-非依存的手法
- Authors: Viacheslav Barkov, Jonas Schmidinger, Robin Gebbers, Martin Atzmueller,
- Abstract要約: 本稿では,土壌特性の予測モデルにおける不確実性評価の促進を目的としたモデル非依存手法を提案する。
本稿では,回帰タスクの分類問題への変換に基づく不確実性推定のための改良手法を提案する。
提案手法は, ペドメトリックスでよく用いられるモデルよりも, 精度の高い不確実性を推定できる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.0937465283958018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a model-agnostic approach designed to enhance uncertainty estimation in the predictive modeling of soil properties, a crucial factor for advancing pedometrics and the practice of digital soil mapping. For addressing the typical challenge of data scarcity in soil studies, we present an improved technique for uncertainty estimation. This method is based on the transformation of regression tasks into classification problems, which not only allows for the production of reliable uncertainty estimates but also enables the application of established machine learning algorithms with competitive performance that have not yet been utilized in pedometrics. Empirical results from datasets collected from two German agricultural fields showcase the practical application of the proposed methodology. Our results and findings suggest that the proposed approach has the potential to provide better uncertainty estimation than the models commonly used in pedometrics.
- Abstract（参考訳）: 本稿では,土壌特性の予測モデルにおける不確実性評価の促進を目的としたモデル非依存手法を提案する。
土壌研究におけるデータ不足の典型的な課題に対処するため,不確実性評価のための改良手法を提案する。
この手法は回帰タスクの分類問題への変換に基づいており、これは信頼性の高い不確実性推定を生成できるだけでなく、まだペドメトリで使われていない競合性能を持つ確立された機械学習アルゴリズムの適用を可能にする。
ドイツの2つの農業分野から収集されたデータセットから得られた経験的結果は,提案手法の実践的応用を示している。
提案手法は, ペドメトリックスでよく用いられるモデルよりも, 精度の高い不確実性を推定できる可能性が示唆された。
関連論文リスト
- Source-Free Domain-Invariant Performance Prediction [68.39031800809553]
本研究では,不確実性に基づく推定を主軸としたソースフリー手法を提案する。
オブジェクト認識データセットのベンチマーク実験により、既存のソースベースの手法は、限られたソースサンプルの可用性で不足していることが判明した。
提案手法は,現在の最先端のソースフリーおよびソースベース手法よりも優れており,ドメイン不変性能推定の有効性が確認されている。
論文 参考訳（メタデータ） (2024-08-05T03:18:58Z) - Uncertainty for Active Learning on Graphs [70.44714133412592]
不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。
予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。
提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
論文 参考訳（メタデータ） (2024-05-02T16:50:47Z) - Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。
実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
論文 参考訳（メタデータ） (2023-03-11T11:42:26Z) - Weight-of-evidence 2.0 with shrinkage and spline-binning [3.925373521409752]
分類予測器を変換するための形式化、データ駆動、強力な方法を提案する。
我々は,重み付け手法を拡張し,縮尺推定器を用いて比例を推定することを提案する。
本稿では,提案手法の有効性を示す詐欺検出セットにおける一連の実験結果を示す。
論文 参考訳（メタデータ） (2021-01-05T13:13:16Z) - Learning Prediction Intervals for Model Performance [1.433758865948252]
モデル性能の予測間隔を計算する手法を提案する。
我々は,幅広いドリフト条件におけるアプローチを評価し,競合ベースラインよりも大幅に改善することを示す。
論文 参考訳（メタデータ） (2020-12-15T21:32:03Z) - The Aleatoric Uncertainty Estimation Using a Separate Formulation with
Virtual Residuals [51.71066839337174]
既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。
本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。
提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T12:11:27Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z) - 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。