論文の概要: Focus on the Likely: Test-time Instance-based Uncertainty Removal

• arxiv url: http://arxiv.org/abs/2505.03819v1
• Date: Fri, 02 May 2025 21:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.841014
• Title: Focus on the Likely: Test-time Instance-based Uncertainty Removal
• Title（参考訳）: テスト時インスタンスベースの不確実性除去
• Authors: Johannes Schneider,
• Abstract要約: 推論中のクラスステップに関する追加のフォーカスを導入します。 1ステップの勾配勾配勾配を適用することで、初期前方通過が高い不確実性を示す場合の予測を洗練する。 これにより、予測はより密接に、確率を低い可算結果に割り当てる理想と一致する。
• 参考スコア（独自算出の注目度）: 1.8592384822257952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose two novel test-time fine-tuning methods to improve uncertain model predictions. Our methods require no auxiliary data and use the given test instance only. Instead of performing a greedy selection of the most likely class to make a prediction, we introduce an additional focus on the likely classes step during inference. By applying a single-step gradient descent, we refine predictions when an initial forward pass indicates high uncertainty. This aligns predictions more closely with the ideal of assigning zero probability to less plausible outcomes. Our theoretical discussion provides a deeper understanding highlighting the impact on shared and non-shared features among (focus) classes. The experimental evaluation highlights accuracy gains on samples exhibiting high decision uncertainty for a diverse set of models from both the text and image domain using the same hyperparameters.
• Abstract（参考訳）: 本研究では,不確実なモデル予測を改善するための2つの新しいテスト時間微調整手法を提案する。 我々のメソッドは補助的なデータを必要としず、与えられたテストインスタンスのみを使用します。 予測を行うために最も可能性の高いクラスのgreedyセレクションを実行する代わりに、推論中のクラスステップにさらなるフォーカスを導入する。 1ステップの勾配勾配勾配を適用することで、初期前方通過が高い不確実性を示す場合の予測を洗練する。 これにより、予測はより密接に、確率を低い可算結果に割り当てる理想と一致する。 我々の理論的議論は、(焦点)クラス間の共有機能と非共有機能への影響をより深く理解する。 実験により,同じハイパーパラメータを用いたテキスト領域と画像領域の両方のモデルに対して,高い決定の不確実性を示すサンプルの精度向上が示された。

関連論文リスト

• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Calibrated Selective Classification [34.08454890436067]
  そこで我々は,「不確か」な不確実性のある例を拒否する手法を提案する。 本稿では,選択的校正モデル学習のためのフレームワークを提案する。そこでは,任意のベースモデルの選択的校正誤差を改善するために,個別のセレクタネットワークを訓練する。 われわれは,複数画像分類と肺癌リスク評価におけるアプローチの実証的効果を実証した。
  論文  参考訳（メタデータ） (2022-08-25T13:31:09Z)
• 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)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• How to Evaluate Uncertainty Estimates in Machine Learning for Regression? [1.4610038284393165]
  両手法とも,不確実性評価の品質評価には深刻な欠陥があることが示唆された。 第一に、どちらのアプローチも、予測の不確実性を共同で生み出す別個のコンポーネントを解き放つことはできない。 第3に、予測間隔を直接テストする現在のアプローチには、さらなる欠陥がある。
  論文  参考訳（メタデータ） (2021-06-07T07:47:46Z)
• 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。