論文の概要: Epistemic Wrapping for Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2505.02277v1
• Date: Sun, 04 May 2025 22:15:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.524824
• Title: Epistemic Wrapping for Uncertainty Quantification
• Title（参考訳）: 不確かさ定量化のためのてんかん手術
• Authors: Maryam Sultana, Neil Yorke-Smith, Kaizheng Wang, Shireen Kudukkil Manchingal, Muhammad Mubashar, Fabio Cuzzolin,
• Abstract要約: 不確実性推定は機械学習、特に分類タスクにおいて重要である。 分類における不確実性評価を改善することを目的とした,新しいエピステミック・ラッピング手法を提案する。
• 参考スコア（独自算出の注目度）: 6.967551514640606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty estimation is pivotal in machine learning, especially for classification tasks, as it improves the robustness and reliability of models. We introduce a novel `Epistemic Wrapping' methodology aimed at improving uncertainty estimation in classification. Our approach uses Bayesian Neural Networks (BNNs) as a baseline and transforms their outputs into belief function posteriors, effectively capturing epistemic uncertainty and offering an efficient and general methodology for uncertainty quantification. Comprehensive experiments employing a Bayesian Neural Network (BNN) baseline and an Interval Neural Network for inference on the MNIST, Fashion-MNIST, CIFAR-10 and CIFAR-100 datasets demonstrate that our Epistemic Wrapper significantly enhances generalisation and uncertainty quantification.
• Abstract（参考訳）: 不確実性推定は、特に分類タスクにおいて、モデルの堅牢性と信頼性を向上させるため、機械学習において重要である。 分類における不確実性評価を改善することを目的とした,新しい「エポステミック・ラッピング」手法を提案する。 提案手法では,ベイズニューラルネットワーク(BNN)をベースラインとして,その出力を信念関数の後部へと変換し,疫学的不確実性を効果的に把握し,不確実性定量化のための効率的で一般的な方法論を提供する。 MNIST, Fashion-MNIST, CIFAR-10, CIFAR-100データセットを推定するためにベイズニューラルネットワーク(BNN)ベースラインとインターバルニューラルネットワークを用いた総合的な実験により、我々の疫学ラッパーは一般化と不確実性の定量化を著しく促進することを示した。

関連論文リスト

• Quantification of Uncertainties in Probabilistic Deep Neural Network by Implementing Boosting of Variational Inference [0.38366697175402226]
  Boosted Bayesian Neural Networks (BBNN)は、ニューラルネットワークの重み分布近似を強化する新しいアプローチである。 BBNNは従来のニューラルネットワークに比べて5%高い精度を実現している。
  論文  参考訳（メタデータ） (2025-03-18T05:11:21Z)
• Evidential Uncertainty Probes for Graph Neural Networks [3.5169632430086315]
  グラフニューラルネットワーク(GNN)における不確実性定量化のためのプラグアンドプレイフレームワークを提案する。 Evidential Probing Network (EPN) は、学習した表現から証拠を抽出するために軽量なMulti-Layer-Perceptron (MLP) ヘッドを使用する。 EPN-regは、正確で効率的な不確実性定量化において最先端のパフォーマンスを実現し、現実世界のデプロイメントに適している。
  論文  参考訳（メタデータ） (2025-03-11T07:00:54Z)
• CreINNs: Credal-Set Interval Neural Networks for Uncertainty Estimation in Classification Tasks [4.904199965391026]
  本研究は,Credal-Set Interval Neural Networks (CreINNs) と呼ばれる新しい手法を提案する。 CreINNは、単一の確率値ではなく、各クラスに制限された上限と低い確率を予測するように設計されている。 標準的なマルチクラスおよびバイナリ分類タスクの実験は、提案したCreINNsが、不確実性推定の優れた品質または同等の品質を達成できることを実証している。
  論文  参考訳（メタデータ） (2024-01-10T10:04:49Z)
• 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 Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• 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。