Weakly Supervised Learners for Correction of AI Errors with Provable Performance Guarantees

要約

我々は、アプリオリなパフォーマンス保証を備えた弱く監視された AI エラー修正器を導入することにより、AI エラーを処理するための新しい方法論を提案します。
これらの AI コレクターは補助マップであり、その役割は、以前に構築された基礎となる分類子の決定を承認または拒否することによってその決定を調整することです。
決定の拒否は、決定を控えることを示唆する信号として使用できます。
この研究の主な技術的焦点は、誤った決定の確率の制限を通じて、これらの新しい AI 修正プログラムのパフォーマンス保証を提供することにあります。
これらの境界は分布に依存せず、データ次元の仮定に依存しません。
私たちの経験的な例は、トレーニング データが不足している困難な現実世界のタスクにおいて、フレームワークを適用して画像分類器のパフォーマンスを向上させる方法を示しています。

要約(オリジナル)

We present a new methodology for handling AI errors by introducing weakly supervised AI error correctors with a priori performance guarantees. These AI correctors are auxiliary maps whose role is to moderate the decisions of some previously constructed underlying classifier by either approving or rejecting its decisions. The rejection of a decision can be used as a signal to suggest abstaining from making a decision. A key technical focus of the work is in providing performance guarantees for these new AI correctors through bounds on the probabilities of incorrect decisions. These bounds are distribution agnostic and do not rely on assumptions on the data dimension. Our empirical example illustrates how the framework can be applied to improve the performance of an image classifier in a challenging real-world task where training data are scarce.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google