Core Concepts
機械学習における確率的な出力を調査するためのKoopmanアンサンブルのトレーニング方法を探求します。
Abstract
I. Abstract
データ駆動モデルの普及に伴い、確率的な出力を生成するためのモデルアンサンブルのトレーニング方法が重要性を増しています。
実験結果によると、独立してトレーニングされたモデルのアンサンブルは非常に過信しており、多様性が不足しています。
II. 関連研究
Koopmanオペレーター理論に基づくデータ駆動型実装は近年注目を集めており、DMDやその拡張などがあります。
ニューラルネットワークの不確実性評価に関する研究も盛んであり、CRPSなどが広く使用されています。
III. 提案手法
分散促進損失項を導入し、アンサンブルメンバーがより多様な予測を行うように促します。
損失項の重みλを変化させることで、予測のばらつきと正確性に影響を与えます。
IV. 実験結果
λ値が増加すると予測の分散が増加し、CRPSメトリックでパフォーマンスが向上します。
独立してトレーニングされたモデルと比較して、適切なλ値は不確実性推定の品質を大幅に向上させます。
V. 結論
Koopmanオートエンコーダーのアンサンブルは多くの場合過信していることが示唆されました。
分散促進損失項はアンサンブルメンバー間で多様性を高める効果的な手法であることが示されました。
Quotes
"Despite their performance, these models are harder to interpret than traditional methods."
"In this work, we investigate the training of ensembles of models to produce stochastic outputs."