Machine Learning with a Reject Option: A survey

要約

機械学習モデルは、不正確である可能性が高い場合でも、常に予測を行います。
多くの意思決定支援アプリケーションでは、間違いが重大な結果をもたらす可能性があるため、この動作は避けるべきです。
拒絶反応を伴う機械学習は 1970 年にすでに研究されていましたが、最近になって関心が高まっています。
この機械学習サブフィールドにより、機械学習モデルは、間違いを犯す可能性がある場合に予測を控えることができます。
この調査は、拒絶反応を伴う機械学習の概要を提供することを目的としています。
曖昧性と新規性の拒否という 2 つのタイプの拒否につながる条件を紹介し、それを慎重に形式化します。
さらに、モデルの予測品質と拒否品質を評価するための戦略をレビューおよび分類します。
さらに、拒絶反応を伴うモデルの既存のアーキテクチャを定義し、そのようなモデルを学習するための標準的な手法について説明します。
最後に、関連するアプリケーション ドメインの例を示し、拒絶反応を伴う機械学習が他の機械学習研究領域とどのように関連するかを示します。

要約(オリジナル)

Machine learning models always make a prediction, even when it is likely to be inaccurate. This behavior should be avoided in many decision support applications, where mistakes can have severe consequences. Albeit already studied in 1970, machine learning with rejection recently gained interest. This machine learning subfield enables machine learning models to abstain from making a prediction when likely to make a mistake. This survey aims to provide an overview on machine learning with rejection. We introduce the conditions leading to two types of rejection, ambiguity and novelty rejection, which we carefully formalize. Moreover, we review and categorize strategies to evaluate a model’s predictive and rejective quality. Additionally, we define the existing architectures for models with rejection and describe the standard techniques for learning such models. Finally, we provide examples of relevant application domains and show how machine learning with rejection relates to other machine learning research areas.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google