論文の概要: Bayesian Inference for Correlated Human Experts and Classifiers

• arxiv url: http://arxiv.org/abs/2506.05636v1
• Date: Thu, 05 Jun 2025 23:39:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.26653
• Title: Bayesian Inference for Correlated Human Experts and Classifiers
• Title（参考訳）: 関連専門家・分類者に対するベイズ推論
• Authors: Markelle Kelly, Alex Boyd, Sam Showalter, Mark Steyvers, Padhraic Smyth,
• Abstract要約: そこで本研究では,クラスラベルの予測に専門家に問い合わせることの問題点について,できるだけ少ない人的クエリを用いて検討する。 この問題に対する一般的なベイズ的枠組みを開発し、連立潜在表現による専門家相関をモデル化する。 我々は,CIFAR-10H と ImageNet-16H の2つの実世界の医学分類問題に適用する。
• 参考スコア（独自算出の注目度）: 15.98474253538141
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Applications of machine learning often involve making predictions based on both model outputs and the opinions of human experts. In this context, we investigate the problem of querying experts for class label predictions, using as few human queries as possible, and leveraging the class probability estimates of pre-trained classifiers. We develop a general Bayesian framework for this problem, modeling expert correlation via a joint latent representation, enabling simulation-based inference about the utility of additional expert queries, as well as inference of posterior distributions over unobserved expert labels. We apply our approach to two real-world medical classification problems, as well as to CIFAR-10H and ImageNet-16H, demonstrating substantial reductions relative to baselines in the cost of querying human experts while maintaining high prediction accuracy.
• Abstract（参考訳）: 機械学習の応用はしばしば、モデル出力と人間の専門家の意見の両方に基づいて予測を行う。 そこで本研究では,クラスラベルの予測に専門家に問い合わせることの問題点について検討し,人間のクエリを極力少なくし,事前学習した分類器のクラス確率推定を活用する。 本研究では,この問題に対する一般ベイズ的枠組みの開発,共同潜在表現による専門家相関のモデル化,追加のエキスパートクエリの有用性に関するシミュレーションに基づく推論,および未観測のエキスパートラベルに対する後続分布の推測を可能にする。 我々は,CIFAR-10H と ImageNet-16H の2つの実世界の医療分類問題に適用し,高い予測精度を維持しつつ,人的専門家に問い合わせるコストの基準値に対する大幅な削減を図った。

関連論文リスト

• In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
  償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。 実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
  論文  参考訳（メタデータ） (2025-02-17T10:00:24Z)
• Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
  自動生成関連判定(QPP-GenRE)を用いた新しいクエリ性能予測(QPP)フレームワークを提案する。 QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。 我々は,オープンソースの大規模言語モデル (LLM) を用いて,科学的妥当性を確保することにより,項目の関連性を予測する。
  論文  参考訳（メタデータ） (2024-04-01T09:33:05Z)
• Bayesian Online Learning for Consensus Prediction [16.890828000688174]
  本稿では,部分フィードバックから専門家のコンセンサスを動的に推定する手法の一群を提案する。 我々は,CIFAR-10H と ImageNet-16H の様々なベースラインに対して,我々のフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2023-12-12T19:18:04Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Incorporating Experts' Judgment into Machine Learning Models [2.5363839239628843]
  場合によっては、ドメインの専門家は、機械学習モデルの予測と矛盾する可能性のある期待された結果について判断するかもしれません。 紛争を緩和するために専門家の判断を活用する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-04-24T07:32:49Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Healing Products of Gaussian Processes [21.892542043785845]
  現地の専門家の予測をWassersteinバリセンタの計算により組み合わせた,新たなエキスパートモデルを提案する。 特に,wasserstein barycenterを計算し,現地の専門家の予測を組み合わせる新しい経験則モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-14T08:53:43Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)

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。