共形化深層学習による不確実性を意識した分類器の訓練【JST・京大機械翻訳】

Einbinder Bat-Sheva; Romano Yaniv; Sesia Matteo; Zhou Yanfei

プレプリント

J-GLOBAL ID：202202214099932583 整理番号：22P0348965

共形化深層学習による不確実性を意識した分類器の訓練【JST・京大機械翻訳】

Training Uncertainty-Aware Classifiers with Conformalized Deep Learning

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 (4件)： , , ,
資料名：
発行年： 2022年05月12日プレプリントサーバーでの情報更新日： 2022年11月08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)

深層ニューラルネットワークは,データにおける隠れパターンを検出し,予測を行うためにそれらを利用する強力なツールであるが,不確実性を理解し,信頼できる確率を推定するためには設計されていない。特に,それらは過密である傾向がある。予測力を犠牲にすることなく,より信頼できる不確実性推定を持つモデルを生成する新しい訓練アルゴリズムを開発することにより,マルチクラス分類の文脈でこの問題に対処し始めた。アイディアは,コンフォーマル推論における進歩に触発された損失関数を最小化することにより, hold出しデータを慎重に記録することにより,モデルの不確実性を定量化することにより,過度の緩和を緩和させることである。合成および実データによる実験は,本方法が,最先端の代替案と比較して,保持データによる正確な較正の後,より高い条件付カバレージを有するより小さな共形予測セットに導くことができることを示した。【JST・京大機械翻訳】

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

人工知能

, , , , ,

前のページに戻る