KCalによるステップバックの取得:深層ニューラルネットワークのためのマルチクラスカーネルベースキャリブレーション【JST・京大機械翻訳】

Lin Zhen; Trivedi Shubhendu; Sun Jimeng

プレプリント

J-GLOBAL ID：202202207067135871 整理番号：22P0290291

KCalによるステップバックの取得:深層ニューラルネットワークのためのマルチクラスカーネルベースキャリブレーション【JST・京大機械翻訳】

Taking a Step Back with KCal: Multi-Class Kernel-Based Calibration for Deep Neural Networks

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 (3件)： , ,
資料名：
発行年： 2022年02月15日プレプリントサーバーでの情報更新日： 2022年12月08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)

深層ニューラルネットワーク(DNN)分類器はしばしば過密であり,誤較正クラス確率を生成する。医療のようなハイリスクアプリケーションにおいて,実務者は意思決定のための完全に較正された確率予測を必要とする。すなわち,予測ベクトルに条件づけば,あらゆるクラス確率は予測値に近いべきである。ほとんどの既存のキャリブレーション法は,較正された出力を作り出すための理論的保証を欠き,プロセスの分類精度を低減し,予測クラスを較正するだけである。本論文では,KCalと呼ばれる新しいカーネルベースキャリブレーション法を提案した。既存のキャリブレーション手順とは異なり,KCalはDNNのロジットまたはソフトマックス出力に直接動作しない。その代りに,KCalは,ペナルティ層潜在埋込みに関する計量空間を学習し,キャリブレーションセットでのカーネル密度推定を用いて予測を生成する。著者らは最初にKCalを理論的に解析して,それが証明可能な完全なキャリブレーション保証を楽しめることを示した。次に,多様なデータセットにわたる広範な実験を通して,著者らは,KCalが,較正誤差によって測定されるように,また,Brierスコアのような適切なスコアリング規則によって,一貫してベースラインより優れていることを示した。【JST・京大機械翻訳】

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

ニューロコンピュータ , 人工知能

前のページに戻る