論文の概要: Evidential Deep Learning for Uncertainty Quantification and Out-of-Distribution Detection in Jet Identification using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2501.05656v1
• Date: Fri, 10 Jan 2025 02:14:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:24.580777
• Title: Evidential Deep Learning for Uncertainty Quantification and Out-of-Distribution Detection in Jet Identification using Deep Neural Networks
• Title（参考訳）: 深層ニューラルネットワークを用いた噴流同定における不確実性定量化と分布外検出のための証拠深層学習
• Authors: Ayush Khot, Xiwei Wang, Avik Roy, Volodymyr Kindratenko, Mark S. Neubauer,
• Abstract要約: 我々は、大型ハドロン衝突型加速器における陽子-陽子衝突におけるジェットの同定を目的としたディープニューラルネットワークモデルに、顕在ディープラーニング(EDL)を用いる。 EDLは、テストデータに対する信頼性を提供するために設計されたエビデンス取得プロセスとして学習を扱う。 本稿では、EDLが不確実性を定量化し、分類タスクに適用したDLモデルに対するEDL法の改善につながる可能性のあるアウト・オブ・ディストリビューションデータを検出する方法を示す。
• 参考スコア（独自算出の注目度）: 0.6558603851407393
• License:
• Abstract: Current methods commonly used for uncertainty quantification (UQ) in deep learning (DL) models utilize Bayesian methods which are computationally expensive and time-consuming. In this paper, we provide a detailed study of UQ based on evidential deep learning (EDL) for deep neural network models designed to identify jets in high energy proton-proton collisions at the Large Hadron Collider and explore its utility in anomaly detection. EDL is a DL approach that treats learning as an evidence acquisition process designed to provide confidence (or epistemic uncertainty) about test data. Using publicly available datasets for jet classification benchmarking, we explore hyperparameter optimizations for EDL applied to the challenge of UQ for jet identification. We also investigate how the uncertainty is distributed for each jet class, how this method can be implemented for the detection of anomalies, how the uncertainty compares with Bayesian ensemble methods, and how the uncertainty maps onto latent spaces for the models. Our studies uncover some pitfalls of EDL applied to anomaly detection and a more effective way to quantify uncertainty from EDL as compared with the foundational EDL setup. These studies illustrate a methodological approach to interpreting EDL in jet classification models, providing new insights on how EDL quantifies uncertainty and detects out-of-distribution data which may lead to improved EDL methods for DL models applied to classification tasks.
• Abstract（参考訳）: ディープラーニング(DL)モデルにおける不確実性定量化(UQ)によく用いられる現在の手法は、計算に高価で時間を要するベイズ法を用いる。 本稿では,大型ハドロン衝突型加速器における高エネルギー陽子-陽子衝突におけるジェットの同定と,その異常検出における有用性を探るため,深層ニューラルネットワークモデルに対する顕在的深層学習(EDL)に基づくUQの詳細な研究を行う。 EDL(英語: EDL)は、テストデータに対する信頼(または認識の不確実性)を提供するために設計された証拠取得プロセスとして学習を扱うDLアプローチである。 ジェット分類ベンチマークのための公開データセットを用いて,ジェット識別のためのUQの課題に適用したEDLのハイパーパラメータ最適化について検討する。 また,各ジェットクラスに対して不確実性がどのように分布するか,異常検出のためにこの手法をどのように実装できるか,不確実性がベイズアンサンブル法とどのように比較されるか,不確実性がモデルの潜在空間にどのようにマップされるかについても検討する。 本研究は, 異常検出に適用されたEDLの落とし穴を明らかにし, 基礎的EDLセットアップと比較して, EDLの不確実性を定量化するための有効な方法である。 本研究は, ジェット分類モデルにおけるEDLの解釈手法について考察し, EDLが不確実性を定量化し, 分布外データを検出することによって, 分類タスクに適用されたDLモデルのEDL法の改善につながる可能性のある新たな知見を提供する。

関連論文リスト

• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• Uncertainty Estimation by Density Aware Evidential Deep Learning [7.328039160501826]
  Evidential Deep Learning (EDL) は不確実性評価において顕著な成功を収めた。 本稿では,DAEDL(Dedentity Aware Evidential Deep Learning)と呼ばれる新しい手法を提案する。 DAEDLは、テスト例の特徴空間密度と予測段階におけるEDLの出力を統合する。 これは、不確実性推定と分類に関連する様々な下流タスクにまたがる最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-09-13T12:04:45Z)
• A Comprehensive Survey on Evidential Deep Learning and Its Applications [64.83473301188138]
  Evidential Deep Learning (EDL)は、単一のフォワードパスで最小限の追加計算で信頼性の高い不確実性推定を提供する。 まず、主観的論理理論であるEDLの理論的基礎を掘り下げ、他の不確実性推定フレームワークとの区別について議論する。 さまざまな機械学習パラダイムや下流タスクにまたがる広範な応用について詳しく述べる。
  論文  参考訳（メタデータ） (2024-09-07T05:55:06Z)
• Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
  我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。 本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T04:17:03Z)
• Are Uncertainty Quantification Capabilities of Evidential Deep Learning a Mirage? [35.15844215216846]
  EDL法は,特定の目的関数を最小化することにより,予測分布上のメタ分布を学習する。 近年の研究では、学習した不確実性は信頼できないと結論づける既存の方法の限界が特定されている。 本研究では,多種多様な目的関数を統一することにより,多種多様なEDL手法の挙動をより深く理解する。 我々は,EDL法が下流タスクに実証的に有効であるとしても,不確実な定量化能力に乏しいにもかかわらず,これは発生すると結論付けた。
  論文  参考訳（メタデータ） (2024-02-09T03:23:39Z)
• Knowledge from Uncertainty in Evidential Deep Learning [10.751990848772028]
  本研究は,Evidential Deep Learning(EDL)における不確実性から生じる明らかな信号を明らかにする。 EDLは、現在のテストサンプルに対する信頼性を提供するために設計された、不確実性を認識したディープラーニングアプローチのクラスの一例である。
  論文  参考訳（メタデータ） (2023-10-19T11:41:52Z)
• Resilient VAE: Unsupervised Anomaly Detection at the SLAC Linac Coherent Light Source [3.7390282036618916]
  本稿では,Resilient Variational Autoencoder (ResVAE)について紹介する。 ResVAEはトレーニングデータに存在する異常に対するレジリエンスを示し、特徴レベルの異常属性を提供する。 本稿では,SLAC Linac Coherent Light Sourceにおける加速器状態の異常を検出するために提案手法を適用した。
  論文  参考訳（メタデータ） (2023-09-05T15:53:41Z)
• 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)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)

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。