Fugu-MT 論文翻訳(概要): Conceptualizing Uncertainty

論文の概要: Conceptualizing Uncertainty

arxiv url: http://arxiv.org/abs/2503.03443v1
Date: Wed, 05 Mar 2025 12:24:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-06 15:53:16.339457
Title: Conceptualizing Uncertainty
Title（参考訳）: 概念的不確かさ
Authors: Isaac Roberts, Alexander Schulz, Sarah Schroeder, Fabian Hinder, Barbara Hammer,
Abstract要約: 機械学習の不確かさは、モデルの予測における信頼度や欠如度を指す。本稿では,概念アクティベーションベクトルを用いて,高次元データ分類設定の不確実性を説明する。モデルの改良と改良にそれらを活用することで、生成された説明の有用性を実証する。
参考スコア（独自算出の注目度）: 45.370565359867534
License:
Abstract: Uncertainty in machine learning refers to the degree of confidence or lack thereof in a model's predictions. While uncertainty quantification methods exist, explanations of uncertainty, especially in high-dimensional settings, remain an open challenge. Existing work focuses on feature attribution approaches which are restricted to local explanations. Understanding uncertainty, its origins, and characteristics on a global scale is crucial for enhancing interpretability and trust in a model's predictions. In this work, we propose to explain the uncertainty in high-dimensional data classification settings by means of concept activation vectors which give rise to local and global explanations of uncertainty. We demonstrate the utility of the generated explanations by leveraging them to refine and improve our model.
Abstract（参考訳）: 機械学習の不確かさは、モデルの予測における信頼度や欠如度を指す。不確実性定量化法は存在するが、特に高次元環境での不確実性の説明は未解決の課題である。既存の研究は、局所的な説明に限定された特徴帰属アプローチに焦点を当てている。不確実性、起源、グローバルスケールの特徴を理解することは、モデルの予測における解釈可能性と信頼を高めるために不可欠である。本研究では,高次元データ分類設定における不確実性について,局所的・グローバル的に不確実性を説明する概念アクティベーションベクトルを用いて説明する。モデルの改良と改良にそれらを活用することで、生成された説明の有用性を実証する。

関連論文リスト

Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
論文参考訳（メタデータ） (2024-11-03T17:32:00Z)
Rethinking the Uncertainty: A Critical Review and Analysis in the Era of Large Language Models [42.563558441750224]
大規模言語モデル(LLM)は、幅広い人工知能応用の基礎となっている。現在の手法はしばしば、真の不確実性を特定し、測定し、対処するのに苦労する。本稿では,不確実性の種類や原因を特定し,理解するための包括的枠組みを提案する。
論文参考訳（メタデータ） (2024-10-26T15:07:15Z)
Ensured: Explanations for Decreasing the Epistemic Uncertainty in Predictions [1.2289361708127877]
認識の不確実性は、品質を説明するために重要な次元を付け加える。我々は、この不確実性を特に狙う新しいタイプの説明を紹介します。我々は、ユーザが最も信頼できる説明を識別できるように設計された新しい指標、保証されたランキングを導入する。
論文参考訳（メタデータ） (2024-10-07T20:21:51Z)
Stochasticity in Motion: An Information-Theoretic Approach to Trajectory Prediction [9.365269316773219]
本稿では、軌道予測における不確実性モデリングの課題を全体論的アプローチで解決する。情報理論を基礎とした本手法は,不確実性を測定する理論的に原理化された方法を提供する。従来の作業とは異なり、我々のアプローチは最先端のモーション予測器と互換性があり、より広い適用性を実現している。
論文参考訳（メタデータ） (2024-10-02T15:02:32Z)
Identifying Drivers of Predictive Aleatoric Uncertainty [2.5311562666866494]
本稿では,予測的アレタリック不確実性を説明するための簡単なアプローチを提案する。我々は、ガウス出力分布にニューラルネットワークを適用することにより、不確実性を予測分散として推定する。我々は、実世界のデータセットを含むニュアンスなベンチマーク分析を用いて、この結果の定量化を行う。
論文参考訳（メタデータ） (2023-12-12T13:28:53Z)
Model-agnostic variable importance for predictive uncertainty: an entropy-based approach [1.912429179274357]
既存の説明可能性の手法が不確実性を考慮したモデルにどのように拡張できるかを示す。我々は、不確実性の原因とモデル性能への影響の両方を理解するために、これらのアプローチの有用性を実証する。
論文参考訳（メタデータ） (2023-10-19T15:51:23Z)
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)
DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文参考訳（メタデータ） (2021-02-16T23:50:35Z)
Uncertainty as a Form of Transparency: Measuring, Communicating, and Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文参考訳（メタデータ） (2020-11-15T17:26:14Z)

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。