論文の概要: Uncertainty Tube Visualization of Particle Trajectories

• arxiv url: http://arxiv.org/abs/2508.13505v1
• Date: Tue, 19 Aug 2025 04:44:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.793493
• Title: Uncertainty Tube Visualization of Particle Trajectories
• Title（参考訳）: 粒子軌道の不確かさの可視化
• Authors: Jixian Li, Timbwaoga Aime Judicael Ouermi, Mengjiao Han, Chris R. Johnson,
• Abstract要約: ニューラルネットワーク(NN)による粒子軌道の予測は、多くの科学および工学領域を大幅に強化した。 不確実性について理解しなければ、定量化が最重要であるアプリケーションにおけるNNモデルの信頼性は著しく損なわれる。 本稿では,NN由来の粒子経路における不確実性を表すために,新しい,計算効率のよい可視化手法である不確実性管を紹介する。
• 参考スコア（独自算出の注目度）: 2.6399022396257794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting particle trajectories with neural networks (NNs) has substantially enhanced many scientific and engineering domains. However, effectively quantifying and visualizing the inherent uncertainty in predictions remains challenging. Without an understanding of the uncertainty, the reliability of NN models in applications where trustworthiness is paramount is significantly compromised. This paper introduces the uncertainty tube, a novel, computationally efficient visualization method designed to represent this uncertainty in NN-derived particle paths. Our key innovation is the design and implementation of a superelliptical tube that accurately captures and intuitively conveys nonsymmetric uncertainty. By integrating well-established uncertainty quantification techniques, such as Deep Ensembles, Monte Carlo Dropout (MC Dropout), and Stochastic Weight Averaging-Gaussian (SWAG), we demonstrate the practical utility of the uncertainty tube, showcasing its application on both synthetic and simulation datasets.
• Abstract（参考訳）: ニューラルネットワーク(NN)による粒子軌道の予測は、多くの科学および工学領域を大幅に強化した。 しかし、予測における固有の不確かさを効果的に定量化し、視覚化することは依然として困難である。 不確実性について理解しなければ、信頼性が最重要であるアプリケーションにおけるNNモデルの信頼性は著しく損なわれる。 本稿では,NN由来の粒子経路における不確実性を表すために,新しい,計算効率のよい可視化手法である不確実性管を紹介する。 我々の重要な革新は、非対称不確実性を正確に捉え、直感的に伝達する超楕円管の設計と実装である。 Deep Ensembles, Monte Carlo Dropout (MC Dropout), Stochastic Weight Averaging-Gaussian (SWAG) などの確立された不確実性定量化技術を統合することにより, 不確実性管の実用性を実証し, 合成とシミュレーションの両方のデータセットに適用した。

関連論文リスト

• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• Single Model Uncertainty Estimation via Stochastic Data Centering [39.71621297447397]
  私たちは、ディープニューラルネットワークの不確実性を見積もることに興味があります。 我々は、一定のバイアスによってシフトしたデータセットに基づいてトレーニングされた、同じ重み付きニューラルネットワークのアンサンブルが、わずかに一貫性のないトレーニングモデルを引き起こすという驚くべき新しい発見を提示する。 我々は、$Delta-$UQの不確実性推定が、様々なベンチマークにおける現在の多くの手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-14T23:54:54Z)
• 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)
• 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)
• On Convergence of Training Loss Without Reaching Stationary Points [62.41370821014218]
  ニューラルネットワークの重み変数は、損失関数の勾配が消える定常点に収束しないことを示す。 エルゴード理論の力学系に基づく新しい視点を提案する。
  論文  参考訳（メタデータ） (2021-10-12T18:12:23Z)
• Interval Deep Learning for Uncertainty Quantification in Safety Applications [0.0]
  現在のディープニューラルネットワーク(DNN)は、重要な入力データの不確実性を定量化し伝播する暗黙のメカニズムを持っていない。 本稿では、間隔解析を用いて入力とパラメータの不確かさを定量化できる勾配法を最適化したDNNを提案する。 本研究では,Deep Interval Neural Network (DINN) が不確定な入力データから正確な有界推定を生成できることを示した。
  論文  参考訳（メタデータ） (2021-05-13T17:21:33Z)
• Accurate and Reliable Forecasting using Stochastic Differential Equations [48.21369419647511]
  ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。 本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。 本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-28T04:18:11Z)
• SDE-Net: Equipping Deep Neural Networks with Uncertainty Estimates [45.43024126674237]
  不確かさの定量化は、ディープラーニングの根本的かつ未解決な問題である。 ベイズフレームワークは不確実性推定の原則的方法を提供するが、現代のディープニューラルネット(DNN)には拡張性がないことが多い 動的システムの観点からDNNの不確かさを定量化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-08-24T16:33:54Z)

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。