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。
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】