抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】