論文の概要: Improved probabilistic regression using diffusion models

• arxiv url: http://arxiv.org/abs/2510.04583v1
• Date: Mon, 06 Oct 2025 08:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.754007
• Title: Improved probabilistic regression using diffusion models
• Title（参考訳）: 拡散モデルによる確率回帰の改善
• Authors: Carlo Kneissl, Christopher Bülte, Philipp Scholl, Gitta Kutyniok,
• Abstract要約: 本研究では,予測分布を非可逆的に学習する確率回帰のための拡散に基づく新しいフレームワークを提案する。 雑音のパラメータ化について検討し,そのトレードオフを解析し,その枠組みを広範囲の回帰タスクで評価する。 いくつかの実験において、本手法は既存のベースラインに対して優れた性能を示し、キャリブレーションされた不確実性推定を提供する。
• 参考スコア（独自算出の注目度）: 16.918373481904755
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Probabilistic regression models the entire predictive distribution of a response variable, offering richer insights than classical point estimates and directly allowing for uncertainty quantification. While diffusion-based generative models have shown remarkable success in generating complex, high-dimensional data, their usage in general regression tasks often lacks uncertainty-related evaluation and remains limited to domain-specific applications. We propose a novel diffusion-based framework for probabilistic regression that learns predictive distributions in a nonparametric way. More specifically, we propose to model the full distribution of the diffusion noise, enabling adaptation to diverse tasks and enhanced uncertainty quantification. We investigate different noise parameterizations, analyze their trade-offs, and evaluate our framework across a broad range of regression tasks, covering low- and high-dimensional settings. For several experiments, our approach shows superior performance against existing baselines, while delivering calibrated uncertainty estimates, demonstrating its versatility as a tool for probabilistic prediction.
• Abstract（参考訳）: 確率回帰は、応答変数の予測分布全体をモデル化し、古典的な点推定よりもリッチな洞察を提供し、不確実な定量化を直接可能にします。 拡散に基づく生成モデルは複雑で高次元のデータを生成するのに顕著な成功を示しているが、一般的な回帰タスクにおけるそれらの利用は不確実性に関する評価を欠くことが多く、ドメイン固有のアプリケーションに限られている。 非パラメトリックな方法で予測分布を学習する確率回帰のための新しい拡散に基づくフレームワークを提案する。 具体的には,拡散雑音の完全な分布をモデル化し,多様なタスクへの適応と不確実性定量化の強化を提案する。 雑音のパラメータ化について検討し、そのトレードオフを分析し、低次元および高次元の設定をカバーし、幅広い回帰タスクにわたって我々のフレームワークを評価する。 いくつかの実験において,既存のベースラインに対して優れた性能を示すとともに,キャリブレーションされた不確実性推定を行い,確率的予測のツールとしての汎用性を実証した。

関連論文リスト

• Zero-Shot Uncertainty Quantification using Diffusion Probabilistic Models [7.136205674624813]
  拡散モデルを用いて異なる回帰問題の解法におけるアンサンブル法の有効性を評価する。 本研究では,様々な回帰タスクにおいて,アンサンブル手法がモデル予測精度を一貫して向上することを実証する。 本研究は,拡散アンサンブルの有用性を包括的に把握し,回帰問題解決における拡散モデルを用いた実践者にとって有用な参考となる。
  論文  参考訳（メタデータ） (2024-08-08T18:34:52Z)
• Conformalized Selective Regression [2.3964255330849356]
  共形予測を利用した選択回帰手法を提案する。 提案手法は, 選択回帰に適合し, 複数の最先端ベースラインに対して有利であることを示す。
  論文  参考訳（メタデータ） (2024-02-26T04:43:50Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Aleatoric uncertainty for Errors-in-Variables models in deep regression [0.48733623015338234]
  Errors-in-Variablesの概念がベイズ的深部回帰においてどのように利用できるかを示す。 様々なシミュレートされた実例に沿ったアプローチについて論じる。
  論文  参考訳（メタデータ） (2021-05-19T12:37:02Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• 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。