論文の概要: Exploring the usage of Probabilistic Neural Networks for Ionospheric electron density estimation

• arxiv url: http://arxiv.org/abs/2503.06144v1
• Date: Sat, 08 Mar 2025 10:06:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:46:32.873300
• Title: Exploring the usage of Probabilistic Neural Networks for Ionospheric electron density estimation
• Title（参考訳）: 電離圏電子密度推定における確率的ニューラルネットワークの利用の探索
• Authors: Miquel Garcia-Fernandez,
• Abstract要約: 本稿では,電離圏垂直電子量(VTEC)の点推定とそれに伴う不確かさを両立できる可能性を探る。 この研究の重要な発見は、VTEC推定におけるPNNモデルによって提供される不確実性は、体系的に過小評価される可能性があることである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A fundamental limitation of traditional Neural Networks (NN) in predictive modelling is their inability to quantify uncertainty in their outputs. In critical applications like positioning systems, understanding the reliability of predictions is critical for constructing confidence intervals, early warning systems, and effectively propagating results. For instance, Precise Point Positioning in satellite navigation heavily relies on accurate error models for ancillary data (orbits, clocks, ionosphere, and troposphere) to compute precise error estimates. In addition, these uncertainty estimates are needed to establish robust protection levels in safety critical applications. To address this challenge, the main objectives of this paper aims at exploring a potential framework capable of providing both point estimates and associated uncertainty measures of ionospheric Vertical Total Electron Content (VTEC). In this context, Probabilistic Neural Networks (PNNs) offer a promising approach to achieve this goal. However, constructing an effective PNN requires meticulous design of hidden and output layers, as well as careful definition of prior and posterior probability distributions for network weights and biases. A key finding of this study is that the uncertainty provided by the PNN model in VTEC estimates may be systematically underestimated. In low-latitude areas, the actual error was observed to be as much as twice the model's estimate. This underestimation is expected to be more pronounced during solar maximum, correlating with increased VTEC values.
• Abstract（参考訳）: 予測モデルにおける従来のニューラルネットワーク(NN)の基本的な制限は、出力の不確実性を定量化できないことである。 位置決めシステムのような重要なアプリケーションでは、予測の信頼性を理解することは、信頼区間の構築、早期警告システム、効果的に結果を伝達するために重要である。 例えば、衛星ナビゲーションにおける精密点位置決めは、正確な誤差推定を計算するために、補助データ(軌道、時計、電離層、対流圏)の正確な誤差モデルに大きく依存している。 さらに、これらの不確実性評価は、安全クリティカルなアプリケーションにおいて堅牢な保護レベルを確立するために必要である。 本研究の目的は、電離圏垂直電子量(VTEC)の点推定とそれに伴う不確実性の両方を提供することのできる潜在的枠組みを検討することである。 この文脈で、確率的ニューラルネットワーク(PNN)は、この目標を達成するための有望なアプローチを提供する。 しかし、効果的なPNNの構築には、隠蔽層と出力層の綿密な設計と、ネットワーク重みとバイアスに対する事前確率分布と後続確率分布の慎重な定義が必要である。 この研究の重要な発見は、VTEC推定におけるPNNモデルによって提供される不確実性は、体系的に過小評価される可能性があることである。 低緯度領域では、実際の誤差はモデルの推定の2倍であることがわかった。 この過小評価は、VTEC値の増加に関連して、太陽の最大値の間により顕著に行われることが期待されている。

関連論文リスト

• Quantifying calibration error in modern neural networks through evidence based theory [0.0]
  本稿では、予測エラー(ECE)の評価に主観的論理を組み込むことにより、ニューラルネットワークの信頼性を定量化する新しい枠組みを提案する。 我々は,MNISTおよびCIFAR-10データセットを用いた実験により,信頼性が向上したことを示す。 提案されたフレームワークは、医療や自律システムといったセンシティブな分野における潜在的な応用を含む、AIモデルのより解釈可能でニュアンスな評価を提供する。
  論文  参考訳（メタデータ） (2024-10-31T23:54:21Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Neural State-Space Models: Empirical Evaluation of Uncertainty Quantification [0.0]
  本稿では,ニューラル状態空間モデルを用いたシステム同定のための不確実性定量化に関する予備的結果を示す。 ベイズ確率的設定で学習問題をフレーム化し、ニューラルネットワークの重みと出力の後方分布を求める。 後部に基づいて,出力の信頼区間を構築し,潜在的に危険なアウト・オブ・ディストリビューション体制下でモデルの使用を効果的に診断できるサプライズ指標を定義する。
  論文  参考訳（メタデータ） (2023-04-13T08:57:33Z)
• Dual Accuracy-Quality-Driven Neural Network for Prediction Interval Generation [0.0]
  本稿では,回帰に基づくニューラルネットワークの予測間隔を自動的に学習する手法を提案する。 我々の主な貢献は、PI世代ネットワークのための新しい損失関数の設計である。 合成データセット,8つのベンチマークデータセット,および実世界の収量予測データセットを用いて実験したところ,本手法は有意な確率カバレッジを維持することができた。
  論文  参考訳（メタデータ） (2022-12-13T05:03:16Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• The Benefit of the Doubt: Uncertainty Aware Sensing for Edge Computing Platforms [10.86298377998459]
  組込みエッジシステム上に展開されたNNにおける予測不確実性推定のための効率的なフレームワークを提案する。 フレームワークは1つのフォワードパスのみに基づいて予測の不確実性を提供するために、ゼロから構築されている。 提案手法は, 堅牢かつ正確な不確実性推定だけでなく, システム性能の点で最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-02-11T11:44:32Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Probabilistic Neighbourhood Component Analysis: Sample Efficient Uncertainty Estimation in Deep Learning [25.8227937350516]
  トレーニングデータの量が少ない場合,最先端のBNNとDeep Ensembleモデルの不確実性推定能力は著しく低下することを示す。 サンプル効率の高い非パラメトリックkNN手法の確率的一般化を提案する。 我々のアプローチは、深いkNNがその予測において根底にある不確かさを正確に定量化することを可能にする。
  論文  参考訳（メタデータ） (2020-07-18T21:36:31Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。