論文の概要: Aleatoric and Epistemic Uncertainty Measures for Ordinal Classification through Binary Reduction

• arxiv url: http://arxiv.org/abs/2507.00733v1
• Date: Tue, 01 Jul 2025 13:31:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.638495
• Title: Aleatoric and Epistemic Uncertainty Measures for Ordinal Classification through Binary Reduction
• Title（参考訳）: 正常分類のための胆道・てんかん不確実性対策 : バイナリリダクションによる検討
• Authors: Stefan Haas, Eyke Hüllermeier,
• Abstract要約: ラベルが自然秩序を示す通常の分類問題は、医学や金融などの高い分野において一般的である。 本報告では, 順序分類における動脈硬化, てんかんの不確実性の新たな尺度について紹介する。 これらの尺度は、正確なヒットレートと最小誤差距離の順序分類におけるトレードオフを効果的に捉えている。
• 参考スコア（独自算出の注目度）: 21.602569813024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinal classification problems, where labels exhibit a natural order, are prevalent in high-stakes fields such as medicine and finance. Accurate uncertainty quantification, including the decomposition into aleatoric (inherent variability) and epistemic (lack of knowledge) components, is crucial for reliable decision-making. However, existing research has primarily focused on nominal classification and regression. In this paper, we introduce a novel class of measures of aleatoric and epistemic uncertainty in ordinal classification, which is based on a suitable reduction to (entropy- and variance-based) measures for the binary case. These measures effectively capture the trade-off in ordinal classification between exact hit-rate and minimial error distances. We demonstrate the effectiveness of our approach on various tabular ordinal benchmark datasets using ensembles of gradient-boosted trees and multi-layer perceptrons for approximate Bayesian inference. Our method significantly outperforms standard and label-wise entropy and variance-based measures in error detection, as indicated by misclassification rates and mean absolute error. Additionally, the ordinal measures show competitive performance in out-of-distribution (OOD) detection. Our findings highlight the importance of considering the ordinal nature of classification problems when assessing uncertainty.
• Abstract（参考訳）: ラベルが自然秩序を示す通常の分類問題は、医学や金融などの高い分野において一般的である。 正確な不確実性定量化は、アレタリック(遺伝的変動性)とエピステミック(知識の欠如)の要素への分解を含む、信頼性の高い意思決定に不可欠である。 しかし、既存の研究は主に名目分類と回帰に焦点を当てている。 本稿では,2次ケースに対する適切な(エントロピーおよび分散に基づく)測定値の削減に基づく,オーディナル分類におけるアレータリックおよびてんかんの不確実性の新たな尺度について紹介する。 これらの尺度は、正確なヒットレートと最小誤差距離の順序分類におけるトレードオフを効果的に捉えている。 本研究では, 勾配木と多層パーセプトロンのアンサンブルを用いて, 近似ベイズ推定に有効であることを示す。 本手法は,誤分類率と平均絶対誤差で示されるように,誤り検出における標準およびラベルのエントロピーおよび分散に基づく尺度を著しく上回る。 さらに、正規化対策は、アウト・オブ・ディストリビューション(OOD)検出における競合性能を示す。 本研究は,不確実性を評価する際に,分類問題の順序性を考慮することの重要性を強調した。

関連論文リスト

• Label-wise Aleatoric and Epistemic Uncertainty Quantification [15.642370299038488]
  本稿では,不確実性尺度のラベルワイズ分解に基づく分類タスクにおける不確実性定量化手法を提案する。 提案手法は,いくつかの望ましい特性に則っていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T14:33:23Z)
• Evidential Uncertainty Quantification: A Variance-Based Perspective [0.43536523356694407]
  回帰から分類への分散に基づくアプローチを適応し,クラスレベルでの分類の不確実性を定量化する。 クロスドメインデータセットの実験は、分散ベースのアプローチが、アクティブドメイン適応におけるエントロピーベースのデータセットと同等の精度をもたらすだけでなく、より正確な結果をもたらすことを示すために行われた。
  論文  参考訳（メタデータ） (2023-11-19T16:33:42Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Analysis of Diagnostics (Part I): Prevalence, Uncertainty Quantification, and Machine Learning [0.0]
  この写本は、分類理論と有病率のより深い関係を研究する二部作の最初のものである。 そこで本稿では,有病率重み付き経験誤差を最小化することにより,Bstar (q)$を推定する数値ホモトピーアルゴリズムを提案する。 合成データとSARS-CoV-2酵素結合免疫測定法(ELISA)を用いて本法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-08-30T13:26:49Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Identifying Incorrect Classifications with Balanced Uncertainty [21.130311978327196]
  不確実性推定は、コストに敏感なディープラーニングアプリケーションには不可欠である。 本研究では,不確実性推定における不均衡を2種類の分布バイアスとしてモデル化するための分布不均衡を提案する。 そこで我々は,新たな分布的焦点損失目標を持つ不確実性推定器を学習する,バランスト・トゥルー・クラス確率フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-15T11:52:31Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
  学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。 実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
  論文  参考訳（メタデータ） (2020-10-22T14:05:05Z)

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。