高速敵対キャリブレーションによる深層ニューラルネットワークからの信頼できる予測に向けて【JST・京大機械翻訳】

Tomani Christian; Buettner Florian

プレプリント

J-GLOBAL ID：202202208359775401 整理番号：21P0069700

高速敵対キャリブレーションによる深層ニューラルネットワークからの信頼できる予測に向けて【JST・京大機械翻訳】

Towards Trustworthy Predictions from Deep Neural Networks with Fast Adversarial Calibration

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： 2020年12月20日プレプリントサーバーでの情報更新日： 2021年03月02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)

実世界アプリケーションにおける意思決定をガイドするAIシステムの広範な受容を容易にするために,展開モデルの信頼性は鍵である。すなわち,予測モデルにとっては,ドメインシフトと同様に,ドメイン内サンプルの両方に対して,不確実性を意識し,十分に較正した(従って信頼できる)予測が重要である。予測不確実性を説明する最近の努力は,訓練されたニューラルネットワークのための後処理ステップ,Bayesニューラルネットワーク,およびアンサンブルアプローチおよび証拠深い学習のような代替非Bayesアプローチを含む。ここでは,ドメインシフト後に得られたサンプルに対して,十分に較正された信頼可能な確率を得るための,効率的で一般的なモデリングアプローチを提案した。エントロピー-エンコーダリング損失項と敵対的較正損失項を組み合わせた新しい訓練戦略を導入し,この結果が広範囲のドメインドリフトに対して十分に較正され技術的に信頼できる予測をもたらすことを実証した。異なるデータモダリティ,シーケンスデータ,ネットワークアーキテクチャおよび摂動戦略を含む広範囲のデータセットに関する以前に提案したアプローチを包括的に評価した。著者らは,著者らのモデリングアプローチが,既存の最先端の手法よりも大幅に優れており,ドメインドリフトの下で十分に較正された予測を生成することを観測した。【JST・京大機械翻訳】

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

ニューロコンピュータ

, , , ,

前のページに戻る