Fugu-MT 論文翻訳(概要): Decomposing A Neural Learner

論文の概要: Decomposing A Neural Learner

arxiv url: http://arxiv.org/abs/2610.14388v1
Date: Fri, 09 Oct 2026 23:15:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-20 21:50:04.400382
Title: Decomposing A Neural Learner
Title（参考訳）: ニューラルネットワークを分解する
Abstract要約: 本稿では,特徴空間全体にわたる不均一な予測可能性を考慮したニューラルネットワーク学習者の確率論的分解を提案する。本研究では,学習者が予測可能なコンポーネント内の応答分布を復元し,信頼性スコアが個々の観測の予測可能性を特徴付けることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural learners for classification and regression are often criticized as black boxes. We propose a probabilistic decomposition of neural learners that accounts for heterogeneous predictability across the feature space. A training procedure combining the EM algorithm, stochastic gradient descent, and maximum likelihood estimation is developed to jointly learn the predictable component and an input-dependent reliability score. We show that the optimal decomposed learner recovers the response distribution within the predictable component, while the reliability score characterizes the predictability of individual observations. We further extend the framework to incorporate localized feature transformations. Experiments on synthetic and real-world datasets demonstrate the effectiveness of the proposed framework.
Abstract（参考訳）: 分類と回帰のためのニューラルネットワーク学習者は、しばしばブラックボックスとして批判される。本稿では,特徴空間全体にわたる不均一な予測可能性を考慮したニューラルネットワーク学習者の確率論的分解を提案する。 EMアルゴリズム、確率勾配降下、最大推定値を組み合わせたトレーニング手法を開発し、予測可能成分と入力依存信頼性スコアを併用して学習する。最適分解学習者は予測可能なコンポーネント内の応答分布を復元し,信頼性スコアは個々の観測の予測可能性を示す。さらに我々は、そのフレームワークを拡張して、ローカライズされた特徴変換を取り込む。合成および実世界のデータセットに関する実験は、提案フレームワークの有効性を実証する。

関連論文リスト

Surv-IPTB: An Attention-Based Model for Estimating Individual Probability of Treatment Benefit with Survival Data [0.6882042556551609]
提案したモデルであるSurv-IPTBは、特定の患者が治療中の生存時間とコントロール期間の延長を経験する確率を直接的に定量化する。我々はIPTB推定を二項分類問題として再検討し、治療とコントロールコホート間での患者比較を両立させる。学習可能なクエリキー変換によるアテンションメカニズムにより、ペア比較の柔軟なデータ駆動アグリゲーションが可能になる。
論文参考訳（メタデータ） (2026-08-06T17:13:44Z)
Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文参考訳（メタデータ） (2026-05-28T13:26:53Z)
Integrating Explainable Machine Learning and Mixed-Integer Optimization for Personalized Sleep Quality Intervention [5.477477311297089]
本稿では,解釈可能な機械学習と混合整数最適化を統合した予測記述型フレームワークを提案する。調査データに基づいて訓練された教師付き分類器は睡眠品質を予測し、SHAPに基づく特徴属性は変更因子の影響を定量化する。テストF1スコアは0.9544、精度は0.9366である。
論文参考訳（メタデータ） (2026-03-14T19:54:07Z)
Stochastic Forward-Forward Learning through Representational Dimensionality Compression [14.020257767487323]
本稿では, 2次統計構造を組み込むために, 変動するニューラルレスポンスの有効次元を用いた新しい良性関数次元圧縮を提案する。本研究は, より生物学的に検証可能な学習アルゴリズムの開発に寄与し, ニューロモルフィックコンピューティングに自然に適合することが示唆された。
論文参考訳（メタデータ） (2025-05-22T13:19:29Z)
NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [42.418429168532406]
我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
論文参考訳（メタデータ） (2025-05-16T09:53:21Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
Boosting Adversarial Robustness using Feature Level Stochastic Smoothing [46.86097477465267]
敵の防御は、ディープニューラルネットワークの堅牢性を大幅に向上させた。本研究では,ネットワーク予測における導入性に関する一般的な手法を提案する。また、信頼性の低い予測を拒否する意思決定の円滑化にも活用する。
論文参考訳（メタデータ） (2023-06-10T15:11:24Z)
Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
論文参考訳（メタデータ） (2023-05-26T13:19:15Z)
Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。 RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
論文参考訳（メタデータ） (2023-02-28T13:17:56Z)
Less is More: Rethinking Few-Shot Learning and Recurrent Neural Nets [2.824895388993495]
情報理論AEPに基づく信頼性学習の理論的保証を提供する。次に、高効率なリカレントニューラルネット(RNN)フレームワークに焦点を当て、少数ショット学習のための縮小エントロピーアルゴリズムを提案する。実験結果から,学習モデルのサンプル効率,一般化,時間的複雑さを向上する可能性が示唆された。
論文参考訳（メタデータ） (2022-09-28T17:33:11Z)
Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。