論文の概要: Improving Active Learning with a Bayesian Representation of Epistemic Uncertainty

• arxiv url: http://arxiv.org/abs/2412.08225v1
• Date: Wed, 11 Dec 2024 09:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:00:59.524113
• Title: Improving Active Learning with a Bayesian Representation of Epistemic Uncertainty
• Title（参考訳）: てんかん不確かさのベイズ表現による能動的学習の改善
• Authors: Jake Thomas, Jeremie Houssineau,
• Abstract要約: アクティブラーニングの一般的な戦略は、特にてんかんの不確実性の減少を目標にすることである。 この組み合わせが、望ましい特性を持つ新しいアクティブな学習戦略にどのように結びつくかを示す。 非自明な設定でこれらの戦略の効率性を示すために、確率的ガウス過程(GP)の概念を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A popular strategy for active learning is to specifically target a reduction in epistemic uncertainty, since aleatoric uncertainty is often considered as being intrinsic to the system of interest and therefore not reducible. Yet, distinguishing these two types of uncertainty remains challenging and there is no single strategy that consistently outperforms the others. We propose to use a particular combination of probability and possibility theories, with the aim of using the latter to specifically represent epistemic uncertainty, and we show how this combination leads to new active learning strategies that have desirable properties. In order to demonstrate the efficiency of these strategies in non-trivial settings, we introduce the notion of a possibilistic Gaussian process (GP) and consider GP-based multiclass and binary classification problems, for which the proposed methods display a strong performance for both simulated and real datasets.
• Abstract（参考訳）: 活発な学習のための一般的な戦略は、特にてんかんの不確実性の減少を目標とすることである。 しかし、これらの2つのタイプの不確実性を区別することは依然として困難であり、他の2つを一貫して上回る単一の戦略は存在しない。 本研究は, 先天的不確実性を表すために, 確率理論と可能性理論の特定の組み合わせを用いることを提案し, この組み合わせが, 望ましい特性を持つ新たなアクティブラーニング戦略にどのように寄与するかを示す。 非自明な環境でこれらの戦略の効率性を示すため、我々は確率ガウス過程(GP)の概念を導入し、GPに基づくマルチクラスとバイナリ分類の問題を考える。

関連論文リスト

• EPL: Evidential Prototype Learning for Semi-supervised Medical Image Segmentation [0.0]
  ラベル付きデータとラベルなしデータの融合利用と,異なるソースからのボクセル確率予測を融合するEvidential Prototype Learning (EPL)を提案する。 この不確実性は、モデルを自己修正するだけでなく、擬似ラベルでガイド付き学習プロセスを改善し、隠れた特徴の構築にフィードバックすることができる。
  論文  参考訳（メタデータ） (2024-04-09T10:04:06Z)
• Program-Based Strategy Induction for Reinforcement Learning [5.657991642023959]
  ベイジアンプログラム誘導を用いて、プログラムによって実行された戦略を発見することで、戦略の単純さがそれらの効果と引き換えにできる。 古典的な漸進的な学習では難しい、あるいは予期せぬ戦略を見つけます。例えば、報奨と無報酬トライアルからの非対称学習、適応的な地平線依存ランダム探索、離散状態切替などです。
  論文  参考訳（メタデータ） (2024-02-26T15:40:46Z)
• Is Epistemic Uncertainty Faithfully Represented by Evidential Deep Learning Methods? [26.344949402398917]
  本稿では,顕在的深層学習の新たな理論的考察について述べる。 これは二階損失関数の最適化の難しさを強調している。 第二次損失最小化における識別可能性と収束性の問題に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2024-02-14T10:07:05Z)
• Beyond Expectations: Learning with Stochastic Dominance Made Practical [88.06211893690964]
  支配は、不確実な結果で意思決定を行うためのリスク-逆の選好をモデル化する。 理論上は魅力的だが、機械学習における優位性の応用は乏しい。 まず支配の概念を一般化し、任意の確率変数の任意のペア間の比較を可能にする。 次に、優位性の観点から最適解を見つけるための単純で効率的なアプローチを開発する。
  論文  参考訳（メタデータ） (2024-02-05T03:21:23Z)
• Risk-Sensitive Stochastic Optimal Control as Rao-Blackwellized Markovian Score Climbing [3.9410617513331863]
  動的システムの最適制御は、シーケンシャルな意思決定において重要な課題である。 コントロール・アズ・推論のアプローチは大きな成功をおさめ、探索・探索ジレンマに対処するためのリスクに敏感なフレームワークを提供する。 本稿では, 条件付き粒子フィルタから抽出した試料下でのマルコフ強化スコアクライミングとして, リスク感応性制御のフレーミングによる新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-12-21T16:34:03Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• 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)
• On the pitfalls of entropy-based uncertainty for multi-class semi-supervised segmentation [8.464487190628395]
  半教師付き学習は、限られた監督で深層モデルを訓練するための魅力的な戦略として現れてきた。 本稿では,この戦略がマルチクラスコンテキストにおける最適以下の結果をもたらすことを実証する。 本稿では,クラス間の重なり合いを考慮に入れた分散距離に基づいて,マルチクラス設定における不確実性を計算する方法を提案する。
  論文  参考訳（メタデータ） (2022-03-07T18:35:17Z)
• Adversarial Robustness with Semi-Infinite Constrained Learning [177.42714838799924]
  入力に対する深い学習は、安全クリティカルなドメインでの使用に関して深刻な疑問を提起している。 本稿では,この問題を緩和するために,Langevin Monte Carlo のハイブリッドトレーニング手法を提案する。 当社のアプローチは、最先端のパフォーマンスと堅牢性の間のトレードオフを軽減することができることを示す。
  論文  参考訳（メタデータ） (2021-10-29T13:30:42Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• Reliable Off-policy Evaluation for Reinforcement Learning [53.486680020852724]
  シーケンシャルな意思決定問題において、非政治評価は、目標政策の期待累積報酬を推定する。 本稿では、1つまたは複数のログデータを用いて、ロバストで楽観的な累積報酬推定を提供する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-08T23:16:19Z)

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。