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。
機械学習モデルは,訓練データによって表現された分布からのランダムサンプルの期待損失に関する確率的保証を提供するだけである。その結果,高精度のモデルは,個々の質問点を予測するために信頼できるか,または信頼できないかもしれない。この問題に取り組むために,XAIは個々の予測の説明を提供し,一方,共形予測,確率的予測,および予測間隔のようなアプローチは,信頼できないケースを同定するための予測におけるモデルの確実性を計算することを目的とする。逆に,モデル自身に頼る代わりに,訓練データにおける洞察を探す。すなわち,モデルの性能が訓練されたデータに限定されているという事実に従って,与えられたデータセット上で訓練されたモデルであると尋ね,特定の予測を行うのに適しているか。特に,(i)クエリー点に対する訓練集合において十分な類似例が存在しない場合,および(ii)訓練集合におけるクエリー点の近傍において高い変動(不確実性)が存在するならば,モデルの予測は信頼性がないことを述べた。これら2つの観測を用いて,個別予測に対するデータ中心信頼性測度を提案し,推論時間中の信頼性測度の効率的で効果的な計算のための新しいアルゴリズムを開発した。提案アルゴリズムでは,データそれ自身から測度の必要なコンポーネントを学習し,極めて大規模で高次元な環境に向けてこれらをスケーラブルにするサブ線形である。さらに,推定時間中にデータアクセスをしないように推定器を設計した。複数の実データセットと合成データセットおよび異なるタスクを用いて広範な実験を行い,それは歪値とモデル性能の間の一貫した相関を反映した。【JST機械翻訳】