論文の概要: Uncertainty-Aware Decomposed Hybrid Networks

• arxiv url: http://arxiv.org/abs/2503.19096v1
• Date: Mon, 24 Mar 2025 19:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:51:16.700027
• Title: Uncertainty-Aware Decomposed Hybrid Networks
• Title（参考訳）: 不確かさを意識したハイブリッドネットワーク
• Authors: Sina Ditzel, Achref Jaziri, Iuliia Pliushch, Visvanathan Ramesh,
• Abstract要約: 本稿では、ニューラルネットワークの適応性と、ドメイン固有の演算子の解釈可能性、透明性、堅牢性を組み合わせるハイブリッドアプローチを提案する。 提案手法は,異なる特徴に着目した複数のタスク固有演算子に認識を分解し,新しい信頼度測定によって支援する。
• 参考スコア（独自算出の注目度）: 5.67478985222587
• License:
• Abstract: The robustness of image recognition algorithms remains a critical challenge, as current models often depend on large quantities of labeled data. In this paper, we propose a hybrid approach that combines the adaptability of neural networks with the interpretability, transparency, and robustness of domain-specific quasi-invariant operators. Our method decomposes the recognition into multiple task-specific operators that focus on different characteristics, supported by a novel confidence measurement tailored to these operators. This measurement enables the network to prioritize reliable features and accounts for noise. We argue that our design enhances transparency and robustness, leading to improved performance, particularly in low-data regimes. Experimental results in traffic sign detection highlight the effectiveness of the proposed method, especially in semi-supervised and unsupervised scenarios, underscoring its potential for data-constrained applications.
• Abstract（参考訳）: 現在のモデルは、しばしば大量のラベル付きデータに依存するため、画像認識アルゴリズムの堅牢性は依然として重要な課題である。 本稿では、ニューラルネットワークの適応性と、ドメイン固有の準不変作用素の解釈可能性、透明性、堅牢性を組み合わせるハイブリッドアプローチを提案する。 提案手法は,異なる特徴に焦点をあてた複数のタスク固有演算子に認識を分解し,これらの演算子に適した新しい信頼度測定によって支援する。 この測定により、ネットワークは信頼性の高い特徴を優先し、ノイズを考慮できる。 当社の設計は透明性と堅牢性を向上し、特に低データ体制におけるパフォーマンスの向上につながります。 トラヒックサイン検出実験の結果,特に半教師付きおよび教師なしのシナリオにおいて,提案手法の有効性が強調され,データ拘束型アプリケーションの可能性が強調された。

関連論文リスト

• Network Inversion and Its Applications [9.124933643129538]
  ニューラルネットワークは、さまざまなアプリケーションにまたがる強力なツールとして登場したが、意思決定プロセスはしばしば不透明であり、「ブラックボックス」と認識される。 ネットワークの反転技術は、これらのブラックボックスの中を覗き見し、ネットワークが意思決定プロセスの背後で学んだ特徴とパターンを明らかにすることで、ソリューションを提供します。 本稿では,訓練されたニューラルネットワークの入力空間におけるデータ分布を学習する厳密な条件付きジェネレータを用いて,ネットワークインバージョンに対する簡易かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-26T10:04:52Z)
• Adaptive Pruning with Module Robustness Sensitivity: Balancing Compression and Robustness [7.742297876120561]
  本稿では, 対向摂動に対する層次感度を定量化する新しい計量法であるModule Robustness Sensitivity (MRS)を紹介する。 本稿では,任意の対向学習法に適合する適応型プルーニングアルゴリズムであるModule Robust Pruning and Fine-Tuning (MRPF)を提案する。
  論文  参考訳（メタデータ） (2024-10-19T18:35:52Z)
• 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)
• TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
  本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。 提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
  論文  参考訳（メタデータ） (2024-02-16T16:41:14Z)
• 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)
• Variational Voxel Pseudo Image Tracking [127.46919555100543]
  不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:34:50Z)
• Bayesian Attention Belief Networks [59.183311769616466]
  注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。 本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。 提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-09T17:46:22Z)
• Uncertainty Surrogates for Deep Learning [17.868995105624023]
  不確実性サーロゲートを用いて深層ネットワークにおける予測不確実性を推定する新しい方法を紹介します。 これらのサーロゲートは、事前定義されたパターンに一致させるように強制される深いネットワークの衝動層の特徴です。 予測の不確実性や分布異常検出の推定に,本手法の有用性を示す。
  論文  参考訳（メタデータ） (2021-04-16T14:50:28Z)
• Supervised Feature Selection Techniques in Network Intrusion Detection: a Critical Review [9.177695323629896]
  機械学習技術は、ネットワーク侵入検出の貴重なサポートになりつつある。 データトラフィックを特徴付ける膨大な多様性と多数の機能に対処することは難しい問題です。 機能領域を縮小し、最も重要な機能のみを保持することで、FS(Feature Selection)はネットワーク管理において重要な前処理ステップとなる。
  論文  参考訳（メタデータ） (2021-04-11T08:42:01Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。