論文の概要: Sensitivity Analysis of Image Classification Models using Generalized Polynomial Chaos

• arxiv url: http://arxiv.org/abs/2506.18751v1
• Date: Mon, 23 Jun 2025 15:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:37.054639
• Title: Sensitivity Analysis of Image Classification Models using Generalized Polynomial Chaos
• Title（参考訳）: 一般化多項式カオスを用いた画像分類モデルの感度解析
• Authors: Lukas Bahr, Lucas Poßner, Konstantin Weise, Sophie Gröger, Rüdiger Daub,
• Abstract要約: 本研究では,画像分類モデルの感度について検討した。 本稿では,確率変数を用いた入力の分布領域シフトをモデル化し,モデル出力への影響を定量化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating advanced communication protocols in production has accelerated the adoption of data-driven predictive quality methods, notably machine learning (ML) models. However, ML models in image classification often face significant uncertainties arising from model, data, and domain shifts. These uncertainties lead to overconfidence in the classification model's output. To better understand these models, sensitivity analysis can help to analyze the relative influence of input parameters on the output. This work investigates the sensitivity of image classification models used for predictive quality. We propose modeling the distributional domain shifts of inputs with random variables and quantifying their impact on the model's outputs using Sobol indices computed via generalized polynomial chaos (GPC). This approach is validated through a case study involving a welding defect classification problem, utilizing a fine-tuned ResNet18 model and an emblem classification model used in BMW Group production facilities.
• Abstract（参考訳）: 高度な通信プロトコルを本番環境で統合することで、データ駆動予測品質手法、特に機械学習(ML)モデルの採用が加速された。 しかし、画像分類におけるMLモデルは、モデル、データ、ドメインシフトに起因する重大な不確実性に直面していることが多い。 これらの不確実性は、分類モデルの出力に過剰な自信をもたらす。 これらのモデルをよりよく理解するために、感度分析は出力に対する入力パラメータの相対的な影響を分析するのに役立つ。 本研究では,画像分類モデルの感度について検討した。 本稿では,確率変数を用いた入力の分布領域シフトをモデル化し,一般化多項式カオス(GPC)を用いて計算したSobol指標を用いてモデル出力への影響を定量化する。 本手法は, 溶接欠陥分類問題を含むケーススタディを通じて, 微調整ResNet18モデルとBMWグループ製造施設で使用されるエンブレム分類モデルを用いて検証した。

関連論文リスト

• Ensemble based approach to quantifying uncertainty of LLM based classifications [1.6231286831423648]
  モデルを微調整すると、語彙入力のバリエーションに対するモデル出力の感度が低下する。 予測クラスの確実性を推定する確率的手法を提案する。
  論文  参考訳（メタデータ） (2025-02-12T18:42:42Z)
• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 これらの課題に対処するための影響関数フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• A prediction and behavioural analysis of machine learning methods for modelling travel mode choice [0.26249027950824505]
  我々は、モデル選択に影響を及ぼす可能性のある重要な要因の観点から、複数のモデリング問題に対して異なるモデリングアプローチを体系的に比較する。 その結果,非凝集性予測性能が最も高いモデルでは,行動指標やアグリゲーションモードのシェアが低下することが示唆された。 MNLモデルは様々な状況において堅牢に機能するが、ML手法はWillingness to Payのような行動指標の推定を改善することができる。
  論文  参考訳（メタデータ） (2023-01-11T11:10:32Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)

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。