この記事は自分用のメモみたいなものです.
ほぼ DeepL 翻訳でお送りします.
間違いがあれば指摘していだだけると嬉しいです.
翻訳元
Deep Evidential Regression
Author: Alexander Amini, Wilko Schwarting, Ava Soleimany, Daniela Rus
前: 【5 Related work】
次: 【Broader Impact】
6 Conclusions, limitations, and scope
訳文
本論文では, 尤度出力の上に証拠的な事前分布を置くことにより, 回帰問題における不確実性を学習するための新しい手法を開発する. 我々は, aleatoric uncertainty と epistemic uncertainty の推定を組み合わせた予測, 複雑なビジョンタスクへのスケーラビリティ, および OOD データ上の較正された不確かさを実証している. この手法は, 時間予測 [17], 特性予測 [8], 制御学習 [1, 30] などの回帰タスクに広く適用可能である. 我々の方法は既存のアプローチに比べていくつかの利点を示しているが, その主な制限は, 正則化係数の調整と, 不確かさを較正する際にミスリードしない証拠を効果的に除去することにある. 正則化のバランスをとるために二重最適化定式化 [47] が検討されるかもしれないが, ミスリードしない証拠を除去する代替方法を発見するためには, さらなる調査が必要であると考えている. 推定尤度パラメータに対する事前分布の選択の効果を決定するためには, 対数正規分布やヘビーテール-ログ-コーシー分布などの分散事前分布の他の選択肢を使用した将来の分析が重要になる. 我々のアプローチの効率性, 拡張性, および較正により, 安全性が重要な予測領域におけるロバストな NN の展開に必要とされる正確かつ高速な不確かさ推定が可能になる可能性がある.
原文
In this paper, we develop a novel method for learning uncertainty in regression problems by placing evidential priors over the likelihood output. We demonstrate combined prediction with aleatoric and epistemic uncertainty estimation, scalability to complex vision tasks, and calibrated uncertainty on OOD data. This method is widely applicable across regression tasks including temporal forecasting [17], property prediction [8], and control learning [1, 30]. While our method presents several advantages over existing approaches, its primary limitations are in tuning the regularization coefficient and in effectively removing non-misleading evidence when calibrating the uncertainty. While dual-optimization formulations [47] could be explored for balancing regularization, we believe further investigation is warranted to discover alternative ways to remove non-misleading evidence. Future analysis using other choices of the variance prior distribution, such as the log-normal or the heavy-tailed log-Cauchy distribution, will be critical to determine the effects of the choice of prior on the estimated likelihood parameters. The efficiency, scalablity, and calibration of our approach could enable the precise and fast uncertainty estimation required for robust NN deployment in safety-critical prediction domains.