ترجمه فارسی مقاله کالیبراسیون محتاطانه در طبقه‌بندی دودویی

چکیده

Being cautious is crucial for enhancing the trustworthiness of machine learning systems integrated into decision-making pipelines. Although calibrated probabilities help in optimal decision-making, perfect calibration remains unattainable, leading to estimates that fluctuate between under- and overconfidence. This becomes a critical issue in high-risk scenarios, where even occasional overestimation can lead to extreme expected costs. In these scenarios, it is important for each predicted probability to lean towards underconfidence, rather than just achieving an average balance. In this study, we introduce the novel concept of cautious calibration in binary classification. This approach aims to produce probability estimates that are intentionally underconfident for each predicted probability. We highlight the importance of this approach in a high-risk scenario and propose a theoretically grounded method for learning cautious calibration maps. Through experiments, we explore and compare our method to various approaches, including methods originally not devised for cautious calibration but applicable in this context. We show that our approach is the most consistent in providing cautious estimates. Our work establishes a strong baseline for further developments in this novel framework.

چکیده به فارسی (ترجمه ماشینی)

محتاط بودن برای تقویت اعتماد به نفس سیستم های یادگیری ماشین که در خطوط لوله تصمیم گیری ادغام شده است بسیار مهم است.اگرچه احتمالات کالیبره شده به تصمیم گیری بهینه کمک می کند ، کالیبراسیون کامل غیرقابل دستیابی است و منجر به تخمین هایی می شود که بین کمبود و بیش از حد در نوسان است.این مسئله به یک مسئله مهم در سناریوهای پرخطر تبدیل می شود ، جایی که حتی ارزیابی بیش از حد گاه به گاه می تواند منجر به هزینه های شدید مورد انتظار شود.در این سناریوها ، برای هر یک از احتمال پیش بینی شده مهم است که به جای رسیدن به یک تعادل متوسط ​​، به سمت زیربنایی تکیه دهند.در این مطالعه ، ما مفهوم جدید کالیبراسیون محتاطانه را در طبقه بندی باینری معرفی می کنیم.این رویکرد با هدف تولید برآوردهای احتمالی که عمداً برای هر احتمال پیش بینی شده تحت تأثیر قرار می گیرند.ما اهمیت این رویکرد را در یک سناریوی پرخطر برجسته می کنیم و روشی را برای یادگیری نقشه های کالیبراسیون محتاطانه ارائه می دهیم.از طریق آزمایشات ، ما روش خود را با رویکردهای مختلف ، از جمله روشهایی که در ابتدا برای کالیبراسیون محتاطانه ابداع نشده اند ، کشف و مقایسه می کنیم.ما نشان می دهیم که رویکرد ما در ارائه تخمین های محتاطانه سازگارترین است.کار ما یک پایه قوی برای تحولات بیشتر در این چارچوب جدید ایجاد می کند.