論文の概要: Predictive Multiplicity in Survival Models: A Method for Quantifying Model Uncertainty in Predictive Maintenance Applications

• arxiv url: http://arxiv.org/abs/2504.12156v1
• Date: Wed, 16 Apr 2025 15:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:37:24.632347
• Title: Predictive Multiplicity in Survival Models: A Method for Quantifying Model Uncertainty in Predictive Maintenance Applications
• Title（参考訳）: 生存モデルにおける予測多重性:予測保守アプリケーションにおけるモデル不確かさの定量化方法
• Authors: Mustafa Cavus,
• Abstract要約: 我々は、生存に基づくモデルにおいて、予測的乗法が重要な関心事であると考えている。 あいまいさ、不明瞭さ、不明瞭さという形式的な尺度を導入し、それを定量化します。 これは特にメンテナンススケジューリングなどの下流タスクに関係している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In many applications, especially those involving prediction, models may yield near-optimal performance yet significantly disagree on individual-level outcomes. This phenomenon, known as predictive multiplicity, has been formally defined in binary, probabilistic, and multi-target classification, and undermines the reliability of predictive systems. However, its implications remain unexplored in the context of survival analysis, which involves estimating the time until a failure or similar event while properly handling censored data. We frame predictive multiplicity as a critical concern in survival-based models and introduce formal measures -- ambiguity, discrepancy, and obscurity -- to quantify it. This is particularly relevant for downstream tasks such as maintenance scheduling, where precise individual risk estimates are essential. Understanding and reporting predictive multiplicity helps build trust in models deployed in high-stakes environments. We apply our methodology to benchmark datasets from predictive maintenance, extending the notion of multiplicity to survival models. Our findings show that ambiguity steadily increases, reaching up to 40-45% of observations; discrepancy is lower but exhibits a similar trend; and obscurity remains mild and concentrated in a few models. These results demonstrate that multiple accurate survival models may yield conflicting estimations of failure risk and degradation progression for the same equipment. This highlights the need to explicitly measure and communicate predictive multiplicity to ensure reliable decision-making in process health management.
• Abstract（参考訳）: 多くのアプリケーション、特に予測に関わるアプリケーションでは、モデルは最適に近い性能を得るが、個々のレベルの結果には大きな違いがある。 この現象は予測多重性(英: predictive multiplicity)と呼ばれ、バイナリ、確率的、マルチターゲットの分類において正式に定義され、予測システムの信頼性を損なう。 しかし、その影響はサバイバル分析の文脈で未解明のままであり、これは、検閲されたデータを適切に処理しながら、障害または同様のイベントまでの時間を見積もることを伴う。 我々は、生存に基づくモデルにおいて重要な関心事として予測的乗法を定め、それを定量化するために、あいまいさ、不明瞭さ、不明瞭さという形式的な尺度を導入する。 これは、正確に個々のリスク見積が不可欠であるメンテナンススケジューリングのような下流タスクに特に関係している。 予測的多重性を理解して報告することは、ハイテイク環境にデプロイされたモデルに対する信頼を構築するのに役立つ。 本手法は,予測保守から生存モデルへの乗算性の概念を拡張したデータセットのベンチマークに応用する。 その結果,視差は40～45%まで増加し,視差は低いが同様の傾向を示し,視差は軽度であり,いくつかのモデルに集中していることがわかった。 これらの結果から,同一機器の故障リスクと劣化進行の相反する推定結果が得られる可能性が示唆された。 これは、プロセスの健康管理における信頼性の高い意思決定を保証するために、予測的多重度を明示的に測定し、伝達する必要性を強調します。

関連論文リスト

• Estimating Epistemic and Aleatoric Uncertainty with a Single Model [5.871583927216653]
  我々は,ハイパー拡散モデル(HyperDM)の新しいアプローチを提案する。 HyperDMは、予測精度を、場合によってはマルチモデルアンサンブルに匹敵する。 我々は,X線CTと気象温度予測の2つの異なる実世界の課題に対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-05T19:39:52Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• A Closer Look at the Intervention Procedure of Concept Bottleneck Models [18.222350428973343]
  概念ボトルネックモデル(コンセプションボトルネックモデル、CBM)は、その高レベルな概念に基づいて与えられた入力のターゲット応答を予測する、解釈可能なニューラルネットワークモデルのクラスである。 CBMは、ドメインの専門家が予測された概念に介入し、テスト時に間違いを修正できるので、最後にもっと正確なタスク予測ができる。 本研究では,介入効果を向上させるために介入概念を選択する様々な方法を開発し,異なる状況下でどのように進化するかを詳細に分析する。
  論文  参考訳（メタデータ） (2023-02-28T02:37:24Z)
• How Reliable is Your Regression Model's Uncertainty Under Real-World Distribution Shifts? [46.05502630457458]
  本研究では,異なるタイプの分散シフトを伴う8つの画像ベース回帰データセットのベンチマークを提案する。 分散シフトがない場合、メソッドは十分に校正されているが、ベンチマークデータセットの多くに非常に自信が持たれていることが分かっています。
  論文  参考訳（メタデータ） (2023-02-07T18:54:39Z)
• Predictive Multiplicity in Probabilistic Classification [25.111463701666864]
  確率的分類における予測的乗数性を測定するための枠組みを提案する。 実世界のタスクにおける予測多重度の発生頻度と頻度を実証する。 その結果,予測多重度をより広範囲に報告する必要性が強調された。
  論文  参考訳（メタデータ） (2022-06-02T16:25:29Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Uncertainty Estimation in Cancer Survival Prediction [8.827764645115955]
  生存モデルは、がん治療プロトコルの開発など、様々な分野で使用されている。 本稿では,より正確な生存予測を与えるだけでなく,生存不確実性をより正確に評価するバイーシアンフレームワークを提案する。 提案手法は,不確実性推定のための変分推論,非線形および時間変化リスクモデルの推定のためのニューラルマルチタスクロジスティック回帰,および高次元データを用いた作業に先立って追加の空間性誘導の組み合わせである。
  論文  参考訳（メタデータ） (2020-03-19T05:08:01Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。