Fugu-MT 論文翻訳(概要): On the Unknowable Limits to Prediction

論文の概要: On the Unknowable Limits to Prediction

arxiv url: http://arxiv.org/abs/2411.19223v4
Date: Mon, 20 Jan 2025 20:26:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-22 14:18:48.238716
Title: On the Unknowable Limits to Prediction
Title（参考訳）: 予測不能な限界について
Authors: Jiani Yan, Charles Rahal,
Abstract要約: 多くのドメインは、測定、構築の妥当性、モデリングの反復的な拡張の恩恵を受ける。我々のアプローチは、データの改善によって‘予測不可能な’結果がより魅力的になることを示す。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We propose a rigorous decomposition of predictive error, highlighting that not all 'irreducible' error is genuinely immutable. Many domains stand to benefit from iterative enhancements in measurement, construct validity, and modeling. Our approach demonstrates how apparently 'unpredictable' outcomes can become more tractable with improved data (across both target and features) and refined algorithms. By distinguishing aleatoric from epistemic error, we delineate how accuracy may asymptotically improve--though inherent stochasticity may remain--and offer a robust framework for advancing computational research.
Abstract（参考訳）: 予測誤差の厳密な分解を提案し、全ての「未認識」エラーが真に不変ではないことを強調した。多くのドメインは、測定、構築の妥当性、モデリングの反復的な拡張の恩恵を受ける。このアプローチは、データの改善(ターゲットと機能の両方)と改良されたアルゴリズムによって、‘予測不可能な’結果がより魅力的になることを示す。 Aleatoric と epistemic error を区別することにより、漸近的にどのように精度が向上するかを明記する。

関連論文リスト

Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict [0.5312303275762104]
両条件共形予測(bin-conditional conformal prediction)と呼ぶ共形予測アルゴリズムを新たに導入する。この手法により,任意の予測モデルに対して,個々のレベルの予測間隔を得ることができる。両条件共形予測アルゴリズムを用いて、武装紛争による死亡率の予測を行う。
論文参考訳（メタデータ） (2024-10-18T14:41:42Z)
Ensured: Explanations for Decreasing the Epistemic Uncertainty in Predictions [1.2289361708127877]
認識の不確実性は、品質を説明するために重要な次元を付け加える。我々は、この不確実性を特に狙う新しいタイプの説明を紹介します。我々は、ユーザが最も信頼できる説明を識別できるように設計された新しい指標、保証されたランキングを導入する。
論文参考訳（メタデータ） (2024-10-07T20:21:51Z)
Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-27T21:46:42Z)
Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文参考訳（メタデータ） (2023-08-03T12:43:21Z)
On the Difficulty of Epistemic Uncertainty Quantification in Machine Learning: The Case of Direct Uncertainty Estimation through Loss Minimisation [8.298716599039501]
不確かさの定量化は機械学習で注目を集めている。後者は学習者の知識(知識の欠如)を指し、特に測定と定量化が難しいようである。損失最小化は2次予測器では有効でないことを示す。
論文参考訳（メタデータ） (2022-03-11T17:26:05Z)
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)
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)
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。