Combining Statistical Depth and Fermat Distance for Uncertainty Quantification

要約

私たちは、フェルマー距離と組み合わせた「レンズ深度」(LD) と呼ばれる統計概念を使用して、ニューラル ネットワークの予測における領域外の不確実性を測定します。これは、点の「深さ」を正確に捉えることができます。
分布の形式については何も仮定せずに、特徴空間内の分布に関して説明します。
私たちのメソッドにはトレーニング可能なパラメータがありません。
この方法は、テスト時に特徴空間に直接適用され、トレーニング プロセスに介入しないため、あらゆる分類モデルに適用できます。
したがって、元のモデルのパフォーマンスには影響しません。
提案された方法は、おもちゃのデータセットに対して優れた定性的な結果をもたらし、強力なベースライン方法と比較して、標準の深層学習データセットに対して競合する、またはより優れた不確実性推定を提供できます。

要約(オリジナル)

We measure the Out-of-domain uncertainty in the prediction of Neural Networks using a statistical notion called “Lens Depth” (LD) combined with Fermat Distance, which is able to capture precisely the “depth” of a point with respect to a distribution in feature space, without any assumption about the form of distribution. Our method has no trainable parameter. The method is applicable to any classification model as it is applied directly in feature space at test time and does not intervene in training process. As such, it does not impact the performance of the original model. The proposed method gives excellent qualitative result on toy datasets and can give competitive or better uncertainty estimation on standard deep learning datasets compared to strong baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google