Abstract

訳文

ディープニューラルネットワークにおける選択的予測 (リジェクトオプションとも呼ばれる) の問題を考察し, リジェクトオプションを統合したディープニューラルアーキテクチャである SelectiveNet を導入する. 既存の拒否メカニズムは, ほとんどが事前学習されたネットワークの予測信頼度を超える閾値に基づいている. 対照的に, SelectiveNet は, 分類 (または回帰) と拒否の両方を同時にエンドツーエンドで最適化するように訓練されている. その結果、カバーされたドメインに最適化されたディープニューラルネットワークが実現する. 我々の実験では, いくつかのよく知られた分類・回帰データセットに対して, 一貫してリスクカバレッジのトレードオフが改善されていることを示し, 深層選択的分類のための新たな最先端の結果に到達した.

原文

We consider the problem of selective prediction (also known as reject option) in deep neural networks, and introduce SelectiveNet, a deep neural architecture with an integrated reject option. Existing rejection mechanisms are based mostly on a threshold over the prediction confidence of a pre-trained network. In contrast, SelectiveNet is trained to optimize both classification (or regression) and rejection simultaneously, end-to-end. The result is a deep neural network that is optimized over the covered domain. In our experiments, we show a consistently improved risk-coverage trade-off over several well-known classification and regression datasets, thus reaching new state-of-the-art results for deep selective classification.