Fugu-MT 論文翻訳(概要): Rethinking Aleatoric and Epistemic Uncertainty

論文の概要: Rethinking Aleatoric and Epistemic Uncertainty

arxiv url: http://arxiv.org/abs/2412.20892v1
Date: Mon, 30 Dec 2024 12:04:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-31 16:07:16.983379
Title: Rethinking Aleatoric and Epistemic Uncertainty
Title（参考訳）: Aleatoric and Epistemic Uncertainityの再考
Authors: Freddie Bickford Smith, Jannik Kossen, Eleanor Trollope, Mark van der Wilk, Adam Foster, Tom Rainforth,
Abstract要約: 我々は、アリアトリック・エポステミック・ビューは、研究者が興味を持っている異なる量の全てを捉えるのに不十分な表現であると主張している。我々は、異なるモデルに基づく不確実性と、トレーニングと評価に関連するデータ生成プロセスの簡単な記述を導出する。
参考スコア（独自算出の注目度）: 27.424543269616386
License:
Abstract: The ideas of aleatoric and epistemic uncertainty are widely used to reason about the probabilistic predictions of machine-learning models. We identify incoherence in existing discussions of these ideas and suggest this stems from the aleatoric-epistemic view being insufficiently expressive to capture all of the distinct quantities that researchers are interested in. To explain and address this we derive a simple delineation of different model-based uncertainties and the data-generating processes associated with training and evaluation. Using this in place of the aleatoric-epistemic view could produce clearer discourse as the field moves forward.
Abstract（参考訳）: 失語症やてんかんの不確実性の考え方は、機械学習モデルの確率論的予測を推論するために広く用いられている。我々は、これらのアイデアに関する既存の議論の不整合を識別し、これは研究者が興味を持っている異なる量の全てを捉えるのに不十分なアレタリック・エピステミック・ビューに由来することを示唆する。これを説明するために、異なるモデルに基づく不確実性と、トレーニングと評価に関連するデータ生成プロセスの簡単な記述を導出する。これを用いて、aleatoric-epistemic viewの代わりにフィールドが前進するにつれて、より明確な談話を生み出すことができる。

関連論文リスト

Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
Invariant Probabilistic Prediction [45.90606906307022]
任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。 Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
論文参考訳（メタデータ） (2023-09-18T18:50:24Z)
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)
Invariant Causal Set Covering Machines [64.86459157191346]
決定木のようなルールベースのモデルは、解釈可能な性質のために実践者にアピールする。しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば刺激的な関連に弱いため、因果関係の洞察を抽出することが保証されていない。 Invariant Causal Set Covering Machines は、古典的集合被覆マシンアルゴリズムの拡張であり、二値ルールの結合/分離を可能とし、スプリアス関係を確実に回避する。
論文参考訳（メタデータ） (2023-06-07T20:52:01Z)
Uncertainty-Aware Pedestrian Trajectory Prediction via Distributional Diffusion [26.715578412088327]
モデルに依存しない不確実性を考慮した歩行者軌道予測手法を提案する。従来の研究とは異なり、予測性は明示的な分布に変換され、予測可能な将来の軌道を生成することができる。私たちのフレームワークは、さまざまなニューラルネットアーキテクチャと互換性があります。
論文参考訳（メタデータ） (2023-03-15T04:58:43Z)
Certifying Fairness of Probabilistic Circuits [33.1089249944851]
本稿では,確率論的モデル,すなわち確率論的回路の一般クラスにおいて,識別パターンを探索するアルゴリズムを提案する。また、指数関数的に多くの識別パターンを効果的に要約できる最小パターン、最大パターン、最適パターンなどの新しいパターンのクラスも導入する。
論文参考訳（メタデータ） (2022-12-05T18:36:45Z)
Uncertain Evidence in Probabilistic Models and Stochastic Simulators [80.40110074847527]
我々は、不確実性を伴う観測を伴う確率論的モデルにおいて、ベイズ的推論を行うという問題について考察する。我々は、不確実な証拠をどう解釈するかを探求し、潜伏変数の推論に関連する適切な解釈の重要性を拡大する。我々は、不確実な証拠を説明するための具体的なガイドラインを考案し、特に一貫性に関する新しい洞察を提供する。
論文参考訳（メタデータ） (2022-10-21T20:32:59Z)
Epistemic Deep Learning [6.144873990390373]
本稿では,信念関数のランダムな解釈に基づく認識的深層学習という概念を導入する。本稿では,集合値の基底真理表現を学習することにより,クラス集合のスコアを生成できる新しいランダムセット畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-06-15T15:39:52Z)
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)
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)
Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference [0.0]
我々は、不確実性定量化に対するアンサンブルに基づくアプローチを検討する。具体的には,いわゆる干潟集合に基づくベイズ的手法とアプローチに着目する。拒否オプションを用いた分類に関する実証的研究において, 対応する尺度の有効性を評価し, 比較した。
論文参考訳（メタデータ） (2021-07-21T22:47:24Z)

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。