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 s)は,安全クリティカルアプリケーションにおいてそれらの使用を問題とする,過度の誤りを作ることが知られている。最先端の(SOTA)キャリブレーション技術は,予測ラベルのみの信頼度を改善し,非最大クラス(例えば,トップ-2,トップ-5)の信頼を残す。このようなキャリブレーションは後処理を用いたラベル精密化に適していない。さらに,ほとんどのSOTA技法は,画像に対する範囲,またはピクセル特異的キャリブレーションを残す,いくつかのハイパーパラメータを事後に学習する。これは,ドメインシフト下のキャリブレーション,あるいは意味セグメンテーションのような密な予測タスクに不適当である。本論文では,較正されたDNNモデルを直接生産するために,列車時間自体における介入について論じる。著者らは,新しい補助損失関数,すなわち,同じMDCAを達成するために,信頼性と精度(MDCA)におけるマルチクラス差異を,他のアプリケーション/タスク特異的損失関数と併せて使用できることを提案した。MDCAによる訓練は,画像分類およびセグメンテーションタスクに関して,予測キャリブレーション誤差(ECE)および静的キャリブレーション誤差(SCE)に関して,より良い較正モデルを導くことを示した。SOTAによる1.90(1.71)と比較して,CIFAR100データセットで0.72(1.60)のECE(SCE)スコアを報告する。ドメインシフトの下で,MDCAを用いてPACSデータセット上で訓練されたResNet-18モデルは,SOTAによる24.2(11.8)と比較して,すべてのドメインにわたって19.7(9.7)の平均ECE(SCE)スコアを与えた。セグメンテーションタスクのために,著者らは,焦点損失と比較して,PASCAL-VOCデータセットのキャリブレーション誤差における2X低減を報告する。最後に,MDCA訓練は,不均衡データおよび自然言語分類タスクに対してさえ,キャリブレーションを改善する。ここでは,コードをhttps://github.com/mdca lossで利用できる。【JST・京大機械翻訳】
