文献

J-GLOBAL ID：202202243068158997   整理番号：22A0554482

不確実性(OVNNI)定量化のための深層ニューラルネットワークのための一対全【JST・京大機械翻訳】

One Versus All for Deep Neural Network for Uncertainty (OVNNI) Quantification

著者 (5件)： Franchi Gianni (ENSTA Paris, Institut Polytechnique de Paris, Palaiseau, France) ,  Bursuc Andrei (Valeo.AI, Paris, France) ,  Aldea Emanuel (Universite ́ Paris-Saclay, Gif sur Yvette, SATIE, France) ,  Dubuisson Severine (CNRS, LIS, Aix Marseille University, Marseille, France) ,  Bloch Isabelle (Sorbonne Universite ́, CNRS, LIP6, Paris, France)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 7300-7312  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層ニューラルネットワーク(DNN)は強力な学習モデルであるが,それらの結果は必ずしも信頼できるものではない。この欠点は,現代のDNNが通常オーバーコンフィデントであるという事実から生じ,その結果,それらの認識的不確実性は直接的に特性化できない。本研究では,データの認識的不確実性を容易に定量化する新しい手法を提案した。この方法は,1つのクラス対すべての他のクラス(OVA)を分類するために訓練されたDNNのアンサンブルの予測と,全ての対全(AVA)分類を実行するように訓練された標準DNNからの予測とを混合することから成る。最初に,AVA DNNにより与えられた基本分類器のスコアに対する調整は,より微細な粒間分離を可能にする。さらに,分類器の2つのタイプは,訓練中のそのようなサンプルの使用の要件を完全に回避する,アウトオブ分布(OOD)試料の検出を相互に行う。アンサンブルの構築による付加的コストは,特定のOODデータセットに与えられた文脈でその性能に結合しないので,提案戦略の使用の容易さと一般化可能性の強化によって相殺される。広範な実験は,著者らのアプローチの広い適用性を確認し,著者らの方法は,多重データセットとアーキテクチャの中のOODデータの定量化における最先端の性能の状態を達成し,一方,ほとんどハイパーパラメータチューニングを必要としなかった。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  データ ,  *不確実性 ,  同調 ,  認識 ,  適応性 ,  キャラクタリゼーション ,  計算機アーキテクチャ
準シソーラス用語： 分類会計機 ,  ハイパーパラメータ ,  *ディープニューラルネットワーク ,  多重化データ , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 不確実性 ,  定量化 ,  深層ニューラルネットワーク