Adapting GT2-FLS for Uncertainty Quantification: A Blueprint Calibration Strategy

要約

不確実性の定量化（UQ）は、ハイステークスアプリケーションで信頼できるディープラーニング（DL）モデルを展開するために重要です。
最近、一般的なタイプ2ファジーロジックシステム（GT2-FLSS）がUQに効果的であることが証明されており、不確実性をキャプチャする予測間隔（PI）を提供しています。
ただし、既存の方法は、新しいカバレッジレベル$（\ phi_d）$のPIを生成するには通常、モデルを再訓練する必要があるため、計算効率と適応性に苦労していることがよくあります。
さらに、UQの条件分布全体を直接推定する方法は計算高価であり、実際のシナリオでのスケーラビリティを制限します。
この研究では、GT2-FLSSの青写真キャリブレーション戦略を提案し、再訓練なしで任意の任意の$ \ phi_d $への効率的な適応を可能にすることにより、これらの課題に対処します。
$ \ alpha $ -planeタイプの削減されたセットと不確実性カバレッジの関係を調査することにより、2つのキャリブレーション方法を開発します：ルックアップテーブルベースのアプローチとデリバティブフリーの最適化アルゴリズム。
これらの方法により、GT2-FLSSは正確で信頼性の高いPIを生成しながら、計算オーバーヘッドを大幅に削減できます。
高次元データセットの実験結果は、キャリブレーションされたGT2-FLSがUQで優れたパフォーマンスを達成することを示しており、スケーラブルで実用的なアプリケーションの可能性を強調しています。

要約(オリジナル)

Uncertainty Quantification (UQ) is crucial for deploying reliable Deep Learning (DL) models in high-stakes applications. Recently, General Type-2 Fuzzy Logic Systems (GT2-FLSs) have been proven to be effective for UQ, offering Prediction Intervals (PIs) to capture uncertainty. However, existing methods often struggle with computational efficiency and adaptability, as generating PIs for new coverage levels $(\phi_d)$ typically requires retraining the model. Moreover, methods that directly estimate the entire conditional distribution for UQ are computationally expensive, limiting their scalability in real-world scenarios. This study addresses these challenges by proposing a blueprint calibration strategy for GT2-FLSs, enabling efficient adaptation to any desired $\phi_d$ without retraining. By exploring the relationship between $\alpha$-plane type reduced sets and uncertainty coverage, we develop two calibration methods: a lookup table-based approach and a derivative-free optimization algorithm. These methods allow GT2-FLSs to produce accurate and reliable PIs while significantly reducing computational overhead. Experimental results on high-dimensional datasets demonstrate that the calibrated GT2-FLS achieves superior performance in UQ, highlighting its potential for scalable and practical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google