1対全分類器による推論のための較正学習【JST・京大機械翻訳】

Verma Rajeev; Nalisnick Eric

プレプリント

J-GLOBAL ID：202202201120973959 整理番号：22P0286285

1対全分類器による推論のための較正学習【JST・京大機械翻訳】

Calibrated Learning to Defer with One-vs-All Classifiers

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年02月08日プレプリントサーバーでの情報更新日： 2022年06月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

デファー(L2D)フレームワークの学習はAIシステムをより安全にする可能性を有する。与えられた入力に対して,このシステムは,人間が正しい行動を取るためのモデルよりも,人間に対する決定をデファーできる。L2Dシステムの較正を研究し,確率が出力であるかどうかを調査した。モザンナー&Sontagの(2020)マルチクラスフレームワークは専門家の正しさに関して較正されないことを見出した。さらに,この目的のために縮退するパラメータ化により妥当な確率を生成することは保証されていない。エキスパートの正当性の較正確率を生成できる1対全分類器に基づくL2Dシステムを提案した。さらに,著者らの損失関数は,モザンナー&Sontagの(2020)のようなマルチクラスL2Dに対する一貫した代理である。著者らの実験は,このシステムが較正されるだけでなく,この利益が精度のコストにならないことを検証した。著者らのモデルの精度は,皮膚病変の診断に対して,hate音声検出から銀河分類までのタスクにおけるMoznar&Sontagの(2020)モデルに対して,常に同等(およびしばしば優れている)である。【JST・京大機械翻訳】

, , , , , , , , , , ,
, 【Automatic Indexing@JST】

人工知能 , パターン認識

, , ,

前のページに戻る