論文の概要: When three experiments are better than two: Avoiding intractable correlated aleatoric uncertainty by leveraging a novel bias--variance tradeoff

• arxiv url: http://arxiv.org/abs/2509.04363v1
• Date: Thu, 04 Sep 2025 16:23:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.219623
• Title: When three experiments are better than two: Avoiding intractable correlated aleatoric uncertainty by leveraging a novel bias--variance tradeoff
• Title（参考訳）: 3つの実験が2つより優れている場合:新しいバイアス-分散トレードオフを利用して、難解な相関性アレタリック不確実性を回避する
• Authors: Paul Scherer, Andreas Kirsch, Jake P. Taylor-King,
• Abstract要約: 実世界の実験シナリオは、ヘテロスケダティックなアレタリックな不確実性の存在によって特徴づけられる。 実験ラウンド間のバイアスを直接低減する新しいアクティブラーニング戦略を提案する。
• 参考スコア（独自算出の注目度）: 1.1609229408259252
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Real-world experimental scenarios are characterized by the presence of heteroskedastic aleatoric uncertainty, and this uncertainty can be correlated in batched settings. The bias--variance tradeoff can be used to write the expected mean squared error between a model distribution and a ground-truth random variable as the sum of an epistemic uncertainty term, the bias squared, and an aleatoric uncertainty term. We leverage this relationship to propose novel active learning strategies that directly reduce the bias between experimental rounds, considering model systems both with and without noise. Finally, we investigate methods to leverage historical data in a quadratic manner through the use of a novel cobias--covariance relationship, which naturally proposes a mechanism for batching through an eigendecomposition strategy. When our difference-based method leveraging the cobias--covariance relationship is utilized in a batched setting (with a quadratic estimator), we outperform a number of canonical methods including BALD and Least Confidence.
• Abstract（参考訳）: 実世界の実験シナリオは、ヘテロスケダス性アレタリック不確実性の存在によって特徴づけられ、この不確実性はバッチ環境で相関することができる。 バイアス分散トレードオフは、モデル分布と地絡乱変数の間の期待平均2乗誤差を、エピステミック不確かさ項、バイアス2乗項、およびアレタリック不確かさ項の和として記述することができる。 我々は,この関係を利用して,実験ラウンド間のバイアスを直接低減する,新しいアクティブ学習戦略を提案する。 最後に,新しいコバイアス-共分散関係を用いて,歴史データを二次的に活用する方法について検討し,固有分解戦略によるバッチ化のメカニズムを自然に提案する。 本研究では,コビアス-共分散関係を利用した差分法をバッチ設定(2次推定器)で利用した場合,BALDやLast Confidenceなど,多くの標準手法よりも優れていることを示す。

関連論文リスト

• Cooperative Bayesian and variance networks disentangle aleatoric and epistemic uncertainties [0.0]
  実世界のデータは、不完全な測定やデータ生成プロセスに関する不完全な知識から生じる、アレラトリックな不確実性を含んでいる。 平均分散推定(MVE)ネットワークは、このような不確実性を学ぶことができるが、過度な適合を避けるためには、アドホックな正規化戦略を必要とする。 ベイズニューラルネットワークを用いて分散ネットワークを訓練し、その結果のモデルが平均推定を改善しつつ、アレタリックおよびてんかんの不確かさを解き放つことを示す。
  論文  参考訳（メタデータ） (2025-05-05T15:50:52Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Learning Correspondence Uncertainty via Differentiable Nonlinear Least Squares [47.83169780113135]
  特徴対応から相対ポーズ推定を行う際の不確実性を考慮した,微分可能な非線形最小二乗フレームワークを提案する。 我々は、KITTIおよびEuRoC実世界のデータセットと同様に、我々の合成に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-05-16T15:21:09Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)
• On lower bounds for the bias-variance trade-off [0.0]
  高次元統計モデルでは、速度-最適推定器は二乗バイアスと分散のバランスをとるのが一般的である。 本稿では, 既定境界よりも小さい偏差を持つ任意の推定器の分散に関する下限を求める一般戦略を提案する。 これは、バイアス分散トレードオフがどの程度避けられないかを示し、従わないメソッドのパフォーマンスの損失を定量化することができる。
  論文  参考訳（メタデータ） (2020-05-30T14:07:43Z)

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。