概要 - 「同等に有効なモデルからの任意の予測」
タイトル
「同等に有効なモデルからの任意の予測」
時間
2025-07-25 16:15:59
著者
{"Sarah Lockfisch","Kristian Schwethelm","Martin Menten","Rickmer Braren","Daniel Rueckert","Alexander Ziller","Georgios Kaissis"}
カテゴリ
{cs.LG,cs.AI}
リンク
http://arxiv.org/abs/2507.19408v1
PDF リンク
http://arxiv.org/pdf/2507.19408v1
概要
この研究は、特に医療応用において機械学習のモデル多重の問題を調査しています。同じデータを同等に説明できるが異なる予測を行う複数のモデルの存在を強調し、特に医療診断などの高リスクシナリオにおける個別モデルの信頼性や正当性についての懸念を提起しています。 **主要な発見**： * **バリデーション性能は信頼性が低い**：標準的なバリデーション指標は、独特の最適モデルを特定できず、モデルの選択が任意になる。 * **予測結果は任意である**：同じ患者に対して、単一のモデルを使用することで、異なる予測が生じる可能性があり、任意で有害な診断につながる。 * **棄権戦略を持つエンブレスメントは多重を軽減する**：棄権戦略を持つ小規模なモデルエンブレスメントは、予測多重を効果的に減少または排除し、予測をより信頼性高くする。 * **精度の向上は多重を減少させる**：モデルの容量を増加させることで達成される高い精度は、予測多重を減少させる助けとなる。 **医療応用への影響**： * **モデル多重は重要な課題である**：診断や治療における一貫性の欠如につながる可能性があり、決定は単一のモデルに基づいてはならない。 * **エンブレスメントに基づくアプローチは有望である**：複数のモデルからの予測を組み合わせることで、診断の信頼性を向上させる。 * **専門家のレビューが必要である**：モデルが十分な合意に達しない場合、専門家のレビューを使用して決定を行う必要がある。 **限界**： * この研究は分類問題に焦点を当てており、セグメンテーションや回帰などの他の医療タスクには対応していない。 * 分析は限られた数のモデルとデータセットに基づいており、さらに一般化するための研究が必要である。 **結論**： モデル多重は機械学習、特に医療応用において重要な問題であり、解決する必要があります。エンブレスメントに基づくアプローチや専門家のレビューを通じて、モデル多重に関連するリスクを軽減し、予測の信頼性を向上させる助けとなる。
推奨論文
多スケールの神経PDEサローグラットの予測とダウンスケーリングへの適用：海流への応用
FD4QC：金融詐欺検出のための古典的および量子ハイブリッド機械学習の適用 技術報告
欠損した共変量下での事前訓練AIモデルを用いたオンライン決定支援：理論的視点
UserBench: ユーザーセンタルなエージェントのためのインタラクティブなジム環境
視覚と言語のトレーニングは分類学的知識の展開を助けますが、それを根本的に変えるものではありません
SILS：集中流动性DEXにおける流動性安定性とウルフデテクションへの戦略的影響
射影変換を通じての線形および定常ケプラー動力学：幾何学的視点
RoCE BALBOA：スマートNIC向けのサービス強化型データセンターRDMA
理論間のp-Simuluationを特徴付ける
ユークリッドフリーズタグ問題における向上した目覚め時間