Concepts de base
深層ニューラルネットワークの不確実性を表現するために、予測セットの有用性を評価します。
Résumé
深層ニューラルネットワークのブラックボックス性により、不確実性の定量化が困難である。本研究では、AIによる画像ラベリングにおいて、予測セットが人間の判断を支援する方法を検証した。予備登録された分析により、予測セットは容易な画像ではTop-1やTop-k表示と同等以上の精度を示す一方、困難な画像や未知の領域(OOD)画像では特に効果的であることが明らかになった。また、参加者は予測セットへの支払意思が他の表示形式と同等であり、時には過度に依存していることも示された。
Stats
予測セットを使用してラベリング精度が向上:74.2%(平均サイズ:2.6)
予測セットサイズが大きい場合は精度低下:52.8%(平均サイズ:19.5)
Top-1条件で正解率向上:55.6%から64.5%まで
Citations
"Participants in the Top-1 condition can improve upon the model’s prediction, especially for hard images."
"RAPS participants' accuracy is negatively correlated with set size: a larger set size decreases accuracy, particularly for hard images."
"When task images are in-distribution, labeling accuracy for participants in the Top-1 or Top-10 conditions is higher when the images are easy."