論文の概要: All AI Models are Wrong, but Some are Optimal

• arxiv url: http://arxiv.org/abs/2501.06086v1
• Date: Fri, 10 Jan 2025 16:34:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:28:09.676467
• Title: All AI Models are Wrong, but Some are Optimal
• Title（参考訳）: すべてのAIモデルは間違っているが、いくつかは最適である
• Authors: Akhil S Anand, Shambhuraj Sawant, Dirk Reinhardt, Sebastien Gros,
• Abstract要約: 予測AIモデルを用いた意思決定は、しばしば準最適性能をもたらす。 このような予測がハイパフォーマンスな決定を可能にするという期待は理論上は保証されず、実際に確立されることもない。
• 参考スコア（独自算出の注目度）: 1.4854797901022863
• License:
• Abstract: AI models that predict the future behavior of a system (a.k.a. predictive AI models) are central to intelligent decision-making. However, decision-making using predictive AI models often results in suboptimal performance. This is primarily because AI models are typically constructed to best fit the data, and hence to predict the most likely future rather than to enable high-performance decision-making. The hope that such prediction enables high-performance decisions is neither guaranteed in theory nor established in practice. In fact, there is increasing empirical evidence that predictive models must be tailored to decision-making objectives for performance. In this paper, we establish formal (necessary and sufficient) conditions that a predictive model (AI-based or not) must satisfy for a decision-making policy established using that model to be optimal. We then discuss their implications for building predictive AI models for sequential decision-making.
• Abstract（参考訳）: システムの将来の振る舞いを予測するAIモデル(つまり予測AIモデル)は、インテリジェントな意思決定の中心である。 しかし、予測AIモデルを用いた意思決定は、しばしば準最適性能をもたらす。 これは主に、AIモデルは典型的にはデータに最も合うように構築されているため、高性能な意思決定を可能にするよりも、最も可能性の高い未来を予測するためである。 このような予測がハイパフォーマンスな決定を可能にするという期待は理論上は保証されず、実際に確立されることもない。 実際、予測モデルがパフォーマンスのための意思決定目標に合わせる必要があるという実証的な証拠が増えている。 本稿では,予測モデル(AIベースか否かに関わらず)がそのモデルを用いて確立された意思決定方針を最適に満たさなければならないという形式的条件(必要十分条件)を確立する。 次に、シーケンシャルな意思決定のための予測AIモデルを構築することの意味について論じる。

関連論文リスト

• AALF: Almost Always Linear Forecasting [3.336367986372977]
  単純なモデルではほとんどの場合十分な時間で十分であり,特定の予測に対してのみDeep Learning法を選択することで,予測性能を向上させることができる,と我々は主張する。 実世界の様々なデータセットに関する実証的研究により、我々の選択手法は、ほとんどの場合、最先端のオンラインモデル選択方法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-16T10:13:09Z)
• A Practical Probabilistic Benchmark for AI Weather Models [0.7978324349017066]
  我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。 また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
  論文  参考訳（メタデータ） (2024-01-27T05:53:16Z)
• Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
  エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。 L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。 我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
  論文  参考訳（メタデータ） (2023-12-07T03:55:51Z)
• Characterizing the contribution of dependent features in XAI methods [6.990173577370281]
  本稿では,XAI特徴量ランキング法の結果を,予測者間の依存性を考慮に入れたプロキシを提案する。 提案手法はモデルに依存しないという利点があり、コリニアリティが存在する場合のモデルにおける各予測器の影響を計算するのが簡単である。
  論文  参考訳（メタデータ） (2023-04-04T11:25:57Z)
• Conditioning Predictive Models: Risks and Strategies [1.3124513975412255]
  我々は、生成的/予測的モデルを安全に利用するために何が必要なのか、決定的な参照を提供する。 我々は、大きな言語モデルは世界のこのような予測モデルとして理解できると考えている。 予測モデルに対する条件付けアプローチは、人間レベルの能力を引き出す最も安全な方法であると考えている。
  論文  参考訳（メタデータ） (2023-02-02T00:06:36Z)
• Calibrating AI Models for Wireless Communications via Conformal Prediction [55.47458839587949]
  コンフォーマル予測は,通信システムにおけるAIの設計に初めて適用される。 本稿では,形式的校正保証付き決定を生成するAIモデルを得るための一般フレームワークとしての共形予測の適用について検討する。
  論文  参考訳（メタデータ） (2022-12-15T12:52:23Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Mismatched No More: Joint Model-Policy Optimization for Model-Based RL [172.37829823752364]
  本稿では,モデルとポリシーを共同でトレーニングする単一目的について提案する。 我々の目標は、期待されるリターンのグローバルな低い境界であり、この境界は特定の仮定の下で厳密になる。 結果のアルゴリズム(MnM)は概念的にはGANと似ている。
  論文  参考訳（メタデータ） (2021-10-06T13:43:27Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• On Statistical Efficiency in Learning [37.08000833961712]
  モデルフィッティングとモデル複雑性のバランスをとるためのモデル選択の課題に対処する。 モデルの複雑さを順次拡大し、選択安定性を高め、コストを削減するオンラインアルゴリズムを提案します。 実験の結果, 提案手法は予測能力が高く, 計算コストが比較的低いことがわかった。
  論文  参考訳（メタデータ） (2020-12-24T16:08:29Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)

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。