Fugu-MT 論文翻訳(概要): si4onnx: A Python package for Selective Inference in Deep Learning Models

論文の概要: si4onnx: A Python package for Selective Inference in Deep Learning Models

arxiv url: http://arxiv.org/abs/2501.17415v1
Date: Wed, 29 Jan 2025 05:04:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-30 15:54:41.874625
Title: si4onnx: A Python package for Selective Inference in Deep Learning Models
Title（参考訳）: si4onnx:ディープラーニングモデルにおける選択推論のためのPythonパッケージ
Authors: Teruyuki Katsuoka, Tomohiro Shiraishi, Daiki Miwa, Shuichi Nishino, Ichiro Takeuchi,
Abstract要約: si4onnxは、ディープラーニングモデルの選択的推論を実行するPythonパッケージである。これは、制御型エラー率による仮説テストの簡単な実装を可能にする。
参考スコア（独自算出の注目度）: 13.868639048770087
License:
Abstract: In this paper, we introduce si4onnx, a package for performing selective inference on deep learning models. Techniques such as CAM in XAI and reconstruction-based anomaly detection using VAE can be interpreted as methods for identifying significant regions within input images. However, the identified regions may not always carry meaningful significance. Therefore, evaluating the statistical significance of these regions represents a crucial challenge in establishing the reliability of AI systems. si4onnx is a Python package that enables straightforward implementation of hypothesis testing with controlled type I error rates through selective inference. It is compatible with deep learning models constructed using common frameworks such as PyTorch and TensorFlow.
Abstract（参考訳）: 本稿では,ディープラーニングモデルに対する選択的推論を行うパッケージであるsi4onnxを紹介する。 XAIにおけるCAMやVAEを用いた再構成に基づく異常検出などの手法は、入力画像内の重要な領域を特定する方法として解釈できる。しかし、特定された地域は必ずしも意味のある意味を持つとは限らない。したがって、これらの領域の統計的重要性を評価することは、AIシステムの信頼性を確立する上で重要な課題である。 si4onnxはPythonパッケージで、選択推論を通じて制御されたI型エラー率で仮説テストを簡単に実装できる。 PyTorchやTensorFlowといった一般的なフレームワークを使用して構築されたディープラーニングモデルと互換性がある。

関連論文リスト

Simulation-based inference with the Python Package sbijax [0.7499722271664147]
sbijaxは、ニューラルネットワークベースの推論に様々な最先端のメソッドを実装するPythonパッケージである。このパッケージはベイズ近似計算の機能を提供し、モデル診断を計算し、自動的に要約統計を推定する。
論文参考訳（メタデータ） (2024-09-28T18:47:13Z)
Hypothesis-Driven Deep Learning for Out of Distribution Detection [0.8191518216608217]
本稿では,新しいサンプルがInDなのかOoDなのかを定量化する仮説駆動型手法を提案する。細菌のサンプルを学習した深層学習モデルに適応させ,InDとOoDの潜伏反応の解釈的差異を明らかにする。
論文参考訳（メタデータ） (2024-03-21T01:06:47Z)
A Comprehensive Python Library for Deep Learning-Based Event Detection in Multivariate Time Series Data and Information Retrieval in NLP [0.0]
時系列データ中の事象を検出するための新しいディープラーニング制御手法を提案する。これは二項分類ではなく回帰に基づく。ラベル付きデータセットは必要とせず、各ポイントにラベルが付けられている。時間ポイントや時間間隔として定義された参照イベントのみを必要とする。
論文参考訳（メタデータ） (2023-10-25T09:13:19Z)
Hypothesis Testing and Machine Learning: Interpreting Variable Effects in Deep Artificial Neural Networks using Cohen's f2 [0.0]
深層人工ニューラルネットワークは多くの分野において高い予測性能を示す。しかし、統計的推測をする余裕はなく、ブラックボックスの操作は人間が理解するには複雑すぎる。本稿では、現在のXAI手法を拡張し、機械学習のためのモデルに依存しない仮説テストフレームワークを開発する。
論文参考訳（メタデータ） (2023-02-02T20:43:37Z)
Valid P-Value for Deep Learning-Driven Salient Region [21.184555512370085]
p-値の形で正則領域の信頼性を定量化する手法を提案する。提案手法は,有意な領域の偽陽性検出の確率を確実に制御できる。
論文参考訳（メタデータ） (2023-01-06T09:51:09Z)
Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。我々の手法は古典的DPベースの推論に広く適用できる。また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文参考訳（メタデータ） (2021-12-07T11:26:41Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
論文参考訳（メタデータ） (2020-08-12T06:23:49Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)
Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の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） (2020-02-19T08:35:15Z)

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。