权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Quantifying Prediction Uncertainty in Machine Learning

量化机器学习中的预测不确定性

基本信息

批准号：
20H04239
负责人：
佐藤一誠
金额：
$ 11.07万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (B)
财政年份：
2020
资助国家：
日本
起止时间：
2020-04-01 至 2025-03-31
项目状态：
未结题

项目摘要

深層学習の診断予測確率を補正する方法を開発し，機械学習分野の難関国際会議であるAISTATS2021で発表した．医療の現場では, 症例に関する識別結果よりもその症例である可能性の確率を出力することが重要視される場合がある．例えば今回の研究で具体的に扱った血液検査ではすべての細胞を肉眼で網羅的にチェックすることができないため，異常細胞をその異常確率でリストアップすることは重要である．また，明らかに異常細胞というのが分かるだけでなく，人の判断が分かれるような不確実なデータに対してその不確実性を定量化することが重要である．しかし，深層学習を用いた判断では，その予測確率を出力すると自信過剰な確率予測をすることが知られている．例えば，99%の確率でこの細胞はがん細胞であると判断したのであれば，そのような細胞画像を100枚持ってくれば，その中で判断の誤りは1枚程度であることが望ましいものの実際には，自信過剰に，つまり，多くの判断で高い(極端な)確率を出力をして判断結果を出力してしまう．本研究では，特に医療分野を背景とし，１つのデータに対して複数人が判断をする場合を想定し，その判断の正答率を反映し予測確率を補正するalpha-calibrationを提案した．提案手法は学習済モデルに対して補正することができるので再学習する必要はない．この方法は単なる予測の不確実性だけでなく，人の判断の不一致度も推定することができるため専門家の判断が難しい症例の予測が可能となる．さらに専門家の判断により予測確率を更新することができるためセカンドオピニオンの必要性も定量化可能である．深層学習における確率的勾配の性質を拡散定理により解析し機械学習の難関国際会議であるICLRで発表した．確率的勾配に現れる摂動の性質に着目し，学習のダイナミクスを解析することで損失関数の非平坦な解への回避に関する性質を解明した．

A method for correcting the diagnostic accuracy of deep learning was developed at the International Conference on the Division of Mechanical Learning in 2021. Medical field, case related, identification results, case related, probability accuracy, contribution, important vision, occasion. For example, the specific blood test of this study is important for the detection of abnormal cells. It is important to quantify the inaccuracy of human judgment. Deep learning is used to determine the accuracy of prediction. For example, 99% of the accuracy rate of this cell is not correct, the judgment is not correct, the cell portrait is 100, the judgment is correct, the judgment result is correct. In this study, we propose alpha-calibration for the background of medical differentiation, including the determination of the accuracy rate of judgment and the correction of the accuracy rate of prediction. The proposal method is to learn the correct way to correct the problem. This method is based on the uncertainty of prediction, the inconsistency of human judgment, and the possibility of prediction of difficult cases. The necessity of quantitative estimation of the probability of prediction is discussed. Deep Learning: The Nature of the Matching of Accuracy and Dispersion Theorems for Solving the Difficulties of Mechanical Learning The property of the interaction between the probability and the probability is focused on the analysis of the loss relation and the property of the non-flat solution.