Uncertainty-aware Evaluation of Time-Series Classification for Online Handwriting Recognition with Domain Shift

要約

多くのアプリケーションでは、機械学習モデルの不確実性を分析することが不可欠です。
不確実性定量化（UQ）技術の研究は、コンピュータービジョンアプリケーションでは非常に進んでいますが、時空間データのUQ手法はあまり研究されていません。
この論文では、特定のタイプの時空間データであるオンライン手書き認識のモデルに焦点を当てます。
データは、書かれた文字を分類することを目的として、センサーで強化されたペンから観察されます。
ベイズ推定の2つの著名な手法、確率的重み平均化-ガウス（SWAG）とディープアンサンブルに基づいて、偶然性（データ）と認識論（モデル）のUQの幅広い評価を行います。
モデルをよりよく理解することに加えて、UQ手法では、右利きのライターと左利きのライター（過小評価グループ）を組み合わせると、分布外のデータとドメインシフトを検出できます。

要約(オリジナル)

For many applications, analyzing the uncertainty of a machine learning model is indispensable. While research of uncertainty quantification (UQ) techniques is very advanced for computer vision applications, UQ methods for spatio-temporal data are less studied. In this paper, we focus on models for online handwriting recognition, one particular type of spatio-temporal data. The data is observed from a sensor-enhanced pen with the goal to classify written characters. We conduct a broad evaluation of aleatoric (data) and epistemic (model) UQ based on two prominent techniques for Bayesian inference, Stochastic Weight Averaging-Gaussian (SWAG) and Deep Ensembles. Next to a better understanding of the model, UQ techniques can detect out-of-distribution data and domain shifts when combining right-handed and left-handed writers (an underrepresented group).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google