論文の概要: Lightning UQ Box: A Comprehensive Framework for Uncertainty Quantification in Deep Learning
- arxiv url: http://arxiv.org/abs/2410.03390v1
- Date: Fri, 4 Oct 2024 12:54:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 22:39:00.324215
- Title: Lightning UQ Box: A Comprehensive Framework for Uncertainty Quantification in Deep Learning
- Title（参考訳）: Lightning UQ Box: ディープラーニングにおける不確実性定量化のための総合的なフレームワーク
- Authors: Nils Lehmann, Jakob Gawlikowski, Adam J. Stewart, Vytautas Jancauskas, Stefan Depeweg, Eric Nalisnick, Nina Maria Gottschling,
- Abstract要約: 不確実性定量化(UQ)は、現実世界のタスクにディープニューラルネットワーク(DNN)を適用する上で不可欠なツールである。
textttLightning UQ Box:UQに対する様々なアプローチを適用し評価するための統一インターフェースを紹介する。
我々は、(i)赤外線衛星画像から熱帯サイクロン風速を推定すること、(ii)空のRGB画像から太陽パネルの出力を推定することの2つの課題に焦点を当てた。
- 参考スコア（独自算出の注目度）: 5.077305036148021
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty quantification (UQ) is an essential tool for applying deep neural networks (DNNs) to real world tasks, as it attaches a degree of confidence to DNN outputs. However, despite its benefits, UQ is often left out of the standard DNN workflow due to the additional technical knowledge required to apply and evaluate existing UQ procedures. Hence there is a need for a comprehensive toolbox that allows the user to integrate UQ into their modelling workflow, without significant overhead. We introduce \texttt{Lightning UQ Box}: a unified interface for applying and evaluating various approaches to UQ. In this paper, we provide a theoretical and quantitative comparison of the wide range of state-of-the-art UQ methods implemented in our toolbox. We focus on two challenging vision tasks: (i) estimating tropical cyclone wind speeds from infrared satellite imagery and (ii) estimating the power output of solar panels from RGB images of the sky. By highlighting the differences between methods our results demonstrate the need for a broad and approachable experimental framework for UQ, that can be used for benchmarking UQ methods. The toolbox, example implementations, and further information are available at: https://github.com/lightning-uq-box/lightning-uq-box
- Abstract（参考訳）: 不確実性定量化(英: Uncertainty Quantification、UQ)は、ディープニューラルネットワーク(DNN)を現実世界のタスクに適用するための重要なツールである。
しかし、その利点にもかかわらず、UQは既存のUQ手順を適用し評価するために必要な追加の技術知識のため、標準のDNNワークフローから外されることが多い。
したがって、ユーザーは大きなオーバーヘッドを伴わずに、UQをモデリングワークフローに統合できる包括的なツールボックスが必要である。
本稿では,UQ に対する様々なアプローチを適用し評価するための統一インターフェースである \texttt{Lightning UQ Box を紹介する。
本稿では,ツールボックスに実装された最先端のUQ手法を理論的,定量的に比較する。
私たちは2つの挑戦的なビジョンタスクに焦点を合わせます。
一 赤外線衛星画像から熱帯低気圧風速の推定
(II)空のRGB画像から太陽電池パネルの出力を推定する。
方法の違いを強調することで、我々の結果は、UQメソッドのベンチマークに使用できる、広範かつアプローチ可能なUQの実験フレームワークの必要性を示しています。
ツールボックス、実装例、その他の情報は、https://github.com/lightning-uq-box/lightning-uq-boxで確認できる。
関連論文リスト
- Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
不確実性定量化(英: Uncertainty Quantification、UQ)は、機械学習(ML)アプリケーションにおいて重要なコンポーネントである。
最新のUQベースラインの集合を実装した新しいベンチマークを導入する。
我々は、9つのタスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も有望なアプローチを特定した。
論文 参考訳（メタデータ） (2024-06-21T20:06:31Z) - Building Interpretable and Reliable Open Information Retriever for New
Domains Overnight [67.03842581848299]
情報検索は、オープンドメイン質問応答(QA)など、多くのダウンストリームタスクにとって重要な要素である。
本稿では、エンティティ/イベントリンクモデルとクエリ分解モデルを用いて、クエリの異なる情報単位により正確にフォーカスする情報検索パイプラインを提案する。
より解釈可能で信頼性が高いが,提案したパイプラインは,5つのIRおよびQAベンチマークにおける通過カバレッジと記述精度を大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-08-09T07:47:17Z) - Generate then Select: Open-ended Visual Question Answering Guided by
World Knowledge [155.81786738036578]
Open-ended Visual Question Answering (VQA)タスクでは、視覚と自然言語の入力をAIモデルが共同で推論する必要がある。
GPT-3のような事前訓練された言語モデル(PLM)がこのタスクに適用され、強力な世界知識源であることが示されている。
我々は,世界的知識によって導かれるジェネレータ選択戦略をデプロイする新しいVQAパイプラインであるRASOを提案する。
論文 参考訳（メタデータ） (2023-05-30T08:34:13Z) - Toward Unsupervised Realistic Visual Question Answering [70.67698100148414]
現実的なVQA(RVQA)の問題について検討し、モデルが答えられない質問(UQ)を拒絶し、答えられる質問(AQ)に答えなければならない。
1)データセットには不整合UQが多すぎること,(2)多数の注釈付きUQがトレーニングに必要とされること,の2つの欠点を最初に指摘した。
我々は、既存のVQAデータセットのAQと約29万の人間の注釈付きUQを組み合わせた新しいテストデータセットRGQAを提案する。
これは、画像と質問をランダムにペアリングして得られる擬似UQと、それを結合する。
論文 参考訳（メタデータ） (2023-03-09T06:58:29Z) - A Survey on Uncertainty Quantification Methods for Deep Learning [7.102893202197349]
不確かさ定量化(UQ)は、予測精度以上のDNN予測の信頼性を推定することを目的としている。
本稿では,DNNに対するUQ手法の系統分類を,不確実性源の種類に基づいて提案する。
我々は、我々のUQ方法論の分類が、異なる機械学習問題におけるUQ手法の選択を導くのにどのように役立つかを示す。
論文 参考訳（メタデータ） (2023-02-26T22:30:08Z) - Learning Transformer Features for Image Quality Assessment [53.51379676690971]
本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。
提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
論文 参考訳（メタデータ） (2021-12-01T13:23:00Z) - Zero-shot Visual Question Answering using Knowledge Graph [19.142028501513366]
本稿では,知識グラフとマスクに基づく学習機構を用いたゼロショットVQAアルゴリズムを提案する。
実験の結果,Zero-shot VQAでは未知の解が得られることがわかった。
論文 参考訳（メタデータ） (2021-07-12T12:17:18Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。