اکسپرس 24
ترجمه فارسی مقاله کالیبراسیون محتاطانه در طبقه‌بندی دودویی

ترجمه فارسی مقاله کالیبراسیون محتاطانه در طبقه‌بندی دودویی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Cautious Calibration in Binary Classification
عنوان مقاله به فارسی کالیبراسیون محتاطانه در طبقه‌بندی دودویی
نویسندگان Mari-Liis Allikivi, Joonas Järve, Meelis Kull
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 9 August, 2024; originally announced August 2024. , Comments: Accepted to ECAI 2024
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده به ECAI 2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 600,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.