論文の概要: MetaErr: Towards Predicting Error Patterns in Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2604.23289v2
• Date: Sun, 03 May 2026 18:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.40275
• Title: MetaErr: Towards Predicting Error Patterns in Deep Neural Networks
• Title（参考訳）: MetaErr: ディープニューラルネットワークにおけるエラーパターンの予測
• Authors: Varun Totakura, Shayok Chakraborty,
• Abstract要約: ディープラーニングシステムがいつ失敗するかを予測するためのフレームワークであるMetaErrを提案する。 私たちの経験的研究は、我々のフレームワークの約束と可能性を、競合するベースラインと相関させます。
• 参考スコア（独自算出の注目度）: 4.5119235878273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the unprecedented success of deep learning, it has become an integral component in several multimedia computing applications in todays world. Unfortunately, deep learning systems are not perfect and can fail, sometimes abruptly, without prior warning or explanation. While reducing the error rate of deep neural networks has been the primary focus of the multimedia community, the problem of predicting when a deep learning system is going to fail has received significantly less research attention. In this paper, we propose a simple yet effective framework, MetaErr, to address this under-explored problem in deep learning research. We train a meta-model whose goal is to predict whether a base deep neural network will succeed or fail in predicting a particular data sample, by observing the base models performance on a given learning task. The meta-model is completely agnostic of the architecture and training parameters of the base model. Such an error prediction system can be immensely useful in a variety of smart multimedia applications. Our empirical studies corroborate the promise and potential of our framework against competing baselines. We further demonstrate the usefulness of our framework to improve the performance of pseudo-labeling-based semi-supervised learning, and show that MetaErr outperforms several strong baselines on three benchmark computer vision datasets.
• Abstract（参考訳）: ディープラーニングの先例のない成功により、今日のいくつかのマルチメディアコンピューティングアプリケーションにおいて重要なコンポーネントとなっている。 残念ながら、ディープラーニングシステムは完璧ではなく、時には突然、事前の警告や説明なしに失敗する可能性がある。 ディープニューラルネットワークのエラー率の低減はマルチメディアコミュニティの主要な焦点となっているが、ディープラーニングシステムがフェールする際の予測問題は、研究の注意を著しく減らしている。 本稿では,ディープラーニング研究におけるこの未探索問題に対処するための,シンプルで効果的なフレームワークであるMetaErrを提案する。 我々は、与えられた学習タスクでベースモデルのパフォーマンスを観察し、ベースディープニューラルネットワークが特定のデータサンプルの予測に成功するか失敗するかを予測することを目標とするメタモデルを訓練する。 メタモデルは、ベースモデルのアーキテクチャとトレーニングパラメータを完全に知らない。 このようなエラー予測システムは、様々なスマートマルチメディアアプリケーションで非常に有用である。 私たちの経験的研究は、我々のフレームワークの約束と可能性を、競合するベースラインに対して裏付けるものです。 さらに、擬似ラベルに基づく半教師付き学習の性能向上のためのフレームワークの有用性を実証し、3つのベンチマークコンピュータビジョンデータセットにおいて、MetaErrがいくつかの強力なベースラインより優れていることを示す。

関連論文リスト

• Statistical physics of deep learning: Optimal learning of a multi-layer perceptron near interpolation [7.079039376205091]
  多層パーセプトロンの教師あり学習について検討する。 トレーニング可能なパラメータとデータの数が同等となる、困難な状況に注目します。 その単純さにもかかわらず、ベイズ最適設定は、深さ、非線形性、および有限幅がニューラルネットワークにどのように影響するかについての洞察を与える。
  論文  参考訳（メタデータ） (2025-10-28T16:44:34Z)
• NNsight and NDIF: Democratizing Access to Open-Weight Foundation Model Internals [58.83169560132308]
  NNsightとNDIFを導入し、非常に大きなニューラルネットワークによって学習された表現と計算の科学的研究を可能にする。
  論文  参考訳（メタデータ） (2024-07-18T17:59:01Z)
• Learning to Continually Learn with the Bayesian Principle [36.75558255534538]
  本研究では、ニューラルネットワークの強力な表現力と、忘れることに対する単純な統計モデルの堅牢性を組み合わせたメタラーニングパラダイムを採用する。 ニューラルネットワークは継続学習中に固定されているため、破滅的な忘れ物から保護されている。
  論文  参考訳（メタデータ） (2024-05-29T04:53:31Z)
• Modular Neural Network Approaches for Surgical Image Recognition [0.0]
  本稿では,DCSS不安定性分類のためのモジュール型学習の異なるアーキテクチャを導入,評価する。 実験の結果,モジュール型学習は非モジュール型システムと比較して性能が向上することがわかった。 第2部では,肩関節鏡画像への自己訓練によるデータラベリングとセグメンテーションのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-17T22:28:16Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• A Survey of Deep Meta-Learning [1.2891210250935143]
  ディープニューラルネットワークは、巨大なデータセットと十分な計算リソースを提示することで、大きな成功を収めることができる。 しかし、新しい概念を素早く習得する能力は限られている。 ディープメタラーニング(Deep Meta-Learning)は、ネットワークが学習方法を学ぶことを可能にすることでこの問題に対処するアプローチのひとつだ。
  論文  参考訳（メタデータ） (2020-10-07T17:09:02Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。