論文の概要: A General Approach to Visualizing Uncertainty in Statistical Graphics
- arxiv url: http://arxiv.org/abs/2508.00937v1
- Date: Thu, 31 Jul 2025 09:19:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:21.635599
- Title: A General Approach to Visualizing Uncertainty in Statistical Graphics
- Title（参考訳）: 統計グラフィックスにおける不確かさの可視化への一般的アプローチ
- Authors: Bernarda Petek, David Nabergoj, Erik Štrumbelj,
- Abstract要約: 本稿では,異なるタイプのグラフィックスに対する不確実性を定量化し,表現するための一般的なアプローチを提案する。
最初に不確実性メトリクスを計算し、それをプロットする代わりに、可視化を通じて不確実性を伝達する。
このアプローチにより、不確実性可視化が実践者にとってよりアクセスしやすくなり、不確実性を教えるための貴重なツールになり得る。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visualizing uncertainty is integral to data analysis, yet its application is often hindered by the need for specialized methods for quantifying and representing uncertainty for different types of graphics. We introduce a general approach that simplifies this process. The core idea is to treat the statistical graphic as a function of the underlying distribution. Instead of first calculating uncertainty metrics and then plotting them, the method propagates uncertainty through to the visualization. By repeatedly sampling from the data distribution and generating a complete statistical graphic for each sample, a distribution over graphics is produced. These graphics are aggregated pixel-by-pixel to create a single, static image. This approach is versatile, requires no specific knowledge from the user beyond how to create the basic statistical graphic, and comes with theoretical coverage guarantees for standard cases such as confidence intervals and bands. We provide a reference implementation as a Python library to demonstrate the method's utility. Our approach not only reproduces conventional uncertainty visualizations for point estimates and regression lines but also seamlessly extends to non-standard cases, including pie charts, stacked bar charts, and tables. This approach makes uncertainty visualization more accessible to practitioners and can be a valuable tool for teaching uncertainty.
- Abstract（参考訳）: 不確実性を可視化することはデータ解析にとって不可欠であるが、その応用は様々なタイプのグラフィックスに対して不確実性を定量化し表現するための特殊な方法の必要性によって妨げられることが多い。
このプロセスを単純化する一般的なアプローチを導入する。
中心となる考え方は、統計グラフィックを基礎となる分布の関数として扱うことである。
最初に不確実性メトリクスを計算し、それをプロットする代わりに、可視化を通じて不確実性を伝達する。
データ分布から繰り返しサンプリングし、各サンプルに対して完全な統計グラフィックを生成することにより、グラフィック上の分布を生成する。
これらのグラフィックスはピクセル単位で集約され、単一の静的画像を生成する。
このアプローチは汎用的であり、基本的な統計図を作成する方法以外の具体的な知識は必要とせず、信頼区間やバンドといった標準ケースの理論的カバレッジを保証する。
メソッドの実用性を実証するために,Pythonライブラリとして参照実装を提供する。
提案手法は, 点推定や回帰線に対する従来の不確実性可視化を再現するだけでなく, パイチャート, 累積バーチャート, テーブルなどの非標準ケースにもシームレスに拡張する。
このアプローチにより、不確実性可視化が実践者にとってよりアクセスしやすくなり、不確実性を教えるための貴重なツールになり得る。
関連論文リスト
- Uncertainty Estimation for Novel Views in Gaussian Splatting from Primitive-Based Representations of Error and Visibility [4.69726714177332]
ガウスめっきにおける不確実性推定(UE)の新しい手法を提案する。
本手法は,有意義な不確実性情報を伝達する,誤りの原始表現とトレーニングビューの可視性を確立する。
我々のUEは、特に前景オブジェクトにおいて、真のエラー、最先端の手法よりも高い相関関係を示す。
論文 参考訳（メタデータ） (2025-08-04T14:02:20Z) - Hinge-Wasserstein: Estimating Multimodal Aleatoric Uncertainty in Regression Tasks [9.600416563894658]
画像からパラメータ値への回帰について検討し、ここでは確率分布を予測して不確実性を検出することが一般的である。
従来の損失関数は、完全な真実分布が存在しない場合、確率分布の予測が低く、自信が強くなる。
トレーニング中の弱い二次モードのペナルティを低減するために, ハンジ・ワッサースタイン(Hungge-Wasserstein)を提案する。
論文 参考訳（メタデータ） (2023-06-01T11:20:09Z) - Confidence-Aware and Self-Supervised Image Anomaly Localisation [7.099105239108548]
本稿では,ゆるやかな特徴的局所性制約による確率的推論の近似を支援する,自己教師付きシングルクラストレーニング戦略について論じる。
提案手法は,複数のオフ・オブ・ディストリビューション(OOD)検出モデルに統合されている。
論文 参考訳（メタデータ） (2023-03-23T12:48:47Z) - Causal Transportability for Visual Recognition [70.13627281087325]
画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。
次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。
これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
論文 参考訳（メタデータ） (2022-04-26T15:02:11Z) - Image-to-Image Regression with Distribution-Free Uncertainty
Quantification and Applications in Imaging [88.20869695803631]
真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。
画像から画像への回帰を3つのタスクで評価する。
論文 参考訳（メタデータ） (2022-02-10T18:59:56Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Visual Recognition with Deep Learning from Biased Image Datasets [6.10183951877597]
視覚認知の文脈において、バイアスモデルがどのように治療問題に適用できるかを示す。
作業中のバイアス機構に関する(近似的な)知識に基づいて、我々のアプローチは観察を再重み付けする。
本稿では,画像データベース間で共有される低次元画像表現を提案する。
論文 参考訳（メタデータ） (2021-09-06T10:56:58Z) - A Gentle Introduction to Conformal Prediction and Distribution-Free
Uncertainty Quantification [1.90365714903665]
このハンズオン導入は、配布不要なUQの実践的な実装に関心のある読者を対象としている。
PyTorch構文で、Pythonで説明的なイラストやサンプル、コードサンプルを多数含みます。
論文 参考訳（メタデータ） (2021-07-15T17:59:50Z) - Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。
フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。
本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文 参考訳（メタデータ） (2021-01-05T18:54:11Z) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳（メタデータ） (2020-08-07T08:22:26Z)
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。