Risk-calibrated evidential classifiers

Bazı uygulamalarda, akıllı etmenler kararlarını vermek için sınıflandırma algoritmalarına güvenir ve tahminlerinin doğruluğu görevlerini başarıyla yerine getirmede önemli bir rol oynayabilir. Derin sinir ağları birçok sınıflandırma görevinde çok iyi performans gösterse de, bazen tahminlerinde başarısız olabilirler. Genellikle, tüm yanlış sınıflandırma hatalarının maliyeti aynı kabul edilir; fakat bu pratikte doğru değildir. Örneğin, kendi kendini süren bir araba uygulaması için, görüntüdeki yayayı bisikletli olarak tahmin edilmesi ile araba olarak tahmin edilmesinin maliyeti önemli ölçüde farklı olabilir. Hataların maliyeti asimetrik olabilir, etmenden etmene değişebilir ve içeriğe bağlıdır. Bu tez, derin sinir ağlarında sınıflandırma için belirsizlik ölçümü ve risk farkındalığı için yeni bir yaklaşım önermektedir. Ana sezgimiz, öngörücü belirsizliğin ilkeli bir şekilde ölçülebilmesidir; bu nedenle, bu tahminlerin yanlış olma olasılığı daha yüksek olduğunda sınıflandırıcılar yüksek belirsizliği tahminleriyle ilişkilendirebilirler. Ayrıca, eğitim sırasında yanlış sınıflandırma riski göz önünde bulundurlar; bu da daha yüksek kayıplara yol açan yanlış tahminler yapmaktan kaçınmalarını sağlar. Bunu başarmak için, önerilen risk kalibrasyonlu sınıflandırıcılar, Dirichlet dağılımının ortalamasına ve varyansına bağlı olarak tahminlerdeki belirsizliği ölçmekte ve yanlış olma olasılığı daha yüksek olan tahminler için belirsizlik değerini arttırmaktadır. Ayrıca, model daha riskli olan sınıflandırmalar için belirsizliği arttırmaktadır. Yaklaşımımızın performansını doğrulamak için, iyi bilinen çeşitli veri setleri üzerinde deneyler yaptık. Sonuçlar, önerilen risk-kalibre edilmiş sınıflandırıcıların, yüksek belirsizliği yanlış sınıflandırmalarıyla ilişkilendirdiklerini göstermektedir. Ayrıca, kayıp fonksiyonumuzun risk minimizasyon hedefi, sinir ağlarının sınıflandırma için daha az riskli kararlar vermesini sağlar.