論文の概要: HybridFlow: Quantification of Aleatoric and Epistemic Uncertainty with a Single Hybrid Model
- arxiv url: http://arxiv.org/abs/2510.05054v1
- Date: Mon, 06 Oct 2025 17:34:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:53:00.020743
- Title: HybridFlow: Quantification of Aleatoric and Epistemic Uncertainty with a Single Hybrid Model
- Title（参考訳）: ハイブリッドフロー:単一ハイブリッドモデルによる動脈・てんかん不確かさの定量化
- Authors: Peter Van Katwyk, Karianne J. Bergen,
- Abstract要約: 不確かさの定量化は、高度な機械学習アプリケーションにおいて堅牢性を保証するために重要である。
本稿では,アレータリックおよびてんかんの不確実性のモデリングを統一するモジュール型ハイブリッドアーキテクチャであるHybridFlowを紹介する。
そこで,HybridFlowにより定量化された不確実性は校正され,モデル誤差と整合性が良好であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty quantification is critical for ensuring robustness in high-stakes machine learning applications. We introduce HybridFlow, a modular hybrid architecture that unifies the modeling of aleatoric and epistemic uncertainty by combining a Conditional Masked Autoregressive normalizing flow for estimating aleatoric uncertainty with a flexible probabilistic predictor for epistemic uncertainty. The framework supports integration with any probabilistic model class, allowing users to easily adapt HybridFlow to existing architectures without sacrificing predictive performance. HybridFlow improves upon previous uncertainty quantification frameworks across a range of regression tasks, such as depth estimation, a collection of regression benchmarks, and a scientific case study of ice sheet emulation. We also provide empirical results of the quantified uncertainty, showing that the uncertainty quantified by HybridFlow is calibrated and better aligns with model error than existing methods for quantifying aleatoric and epistemic uncertainty. HybridFlow addresses a key challenge in Bayesian deep learning, unifying aleatoric and epistemic uncertainty modeling in a single robust framework.
- Abstract（参考訳）: 不確かさの定量化は、高度な機械学習アプリケーションにおいて堅牢性を保証するために重要である。
本稿では,条件付きマスク付き自己回帰正規化フローとフレキシブル確率予測器を組み合わせることで,上皮不確実性のモデリングを統一するモジュール型ハイブリッドアーキテクチャであるHybridFlowを紹介する。
このフレームワークは、任意の確率モデルクラスとの統合をサポートし、予測性能を犠牲にすることなく、ユーザが既存のアーキテクチャに簡単にHybridFlowを適用することができる。
HybridFlowは、深さ推定、回帰ベンチマークの収集、氷床エミュレーションの科学的ケーススタディなど、さまざまな回帰タスクにおいて、過去の不確実性定量化フレームワークを改善している。
また,HybridFlowにより定量化された不確実性は,既存のアレタリックおよびエピステマティック不確実性の定量化方法よりも校正され,モデル誤差と整合することを示す。
HybridFlowは、ベイジアンディープラーニングにおける重要な課題に対処し、単一の堅牢なフレームワークでアレタリックおよびエピステマティック不確実性モデリングを統合する。
関連論文リスト
- Adaptive Machine Learning-Driven Multi-Fidelity Stratified Sampling for Failure Analysis of Nonlinear Stochastic Systems [0.0]
適応型機械学習メタモデルを用いて,小さな故障確率を推定する多要素階層化サンプリング手法を提案する。
高忠実度データセットを使用してディープラーニングベースのメタモデルをトレーニングし、コスト効率が高く高相関の低忠実度モデルとして機能する。
多要素モンテカルロフレームワークを用いて, 階層的故障確率の偏りのない推定値を求める。
論文 参考訳（メタデータ） (2025-08-01T16:04:21Z) - ConfEviSurrogate: A Conformalized Evidential Surrogate Model for Uncertainty Quantification [19.44456342675541]
サーロゲートモデル(英: Surrogate model)とは、シミュレーションノイズからモデル予測エラーまで、複雑なシミュレーションデータを科学的に近似するために不可欠なモデルである。
ConfEviSurrogateは,高次明細分布を効率よく学習できる新しいコンフォーマル化証拠サロゲートモデルである。
我々のモデルは、宇宙論、海洋力学、流体力学を含む様々なシミュレーションにおいて、正確な予測と頑健な不確実性推定を示す。
論文 参考訳（メタデータ） (2025-04-03T15:44:14Z) - Uncertainty separation via ensemble quantile regression [23.667247644930708]
本稿では,不確実性推定と分離のための新しい,スケーラブルなフレームワークを提案する。
我々のフレームワークは大規模データセットにスケーラブルであり、合成ベンチマークで優れた性能を示す。
論文 参考訳（メタデータ） (2024-12-18T11:15:32Z) - DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid
Neural Modeling [4.76185521514135]
本稿では,ハイブリッドニューラル微分可能モデルにおける有効かつ効率的な不確実性伝播と推定のための新しい手法DiffHybrid-UQを提案する。
具体的には,データノイズとてんかんの不確かさから生じるアレタリック不確かさと,モデル形状の相違やデータ空間のばらつきから生じるエピステマティック不確かさの両方を効果的に識別し,定量化する。
論文 参考訳（メタデータ） (2023-12-30T07:40:47Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic
Dynamical Models with Epistemic Uncertainty [68.00748155945047]
複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。
いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。
我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
論文 参考訳（メタデータ） (2022-10-12T07:57:03Z) - FiLM-Ensemble: Probabilistic Deep Learning via Feature-wise Linear
Modulation [69.34011200590817]
本稿では,特徴量線形変調の概念に基づく暗黙のアンサンブル手法であるFiLM-Ensembleを紹介する。
単一ディープネットワークのネットワークアクティベーションをFiLMで変調することにより、高多様性のモデルアンサンブルを得る。
我々は、FiLM-Ensembleが他の暗黙のアンサンブル法よりも優れており、ネットワークの明示的なアンサンブルの上限に非常に近いことを示す。
論文 参考訳（メタデータ） (2022-05-31T18:33:15Z) - Autoregressive Quantile Flows for Predictive Uncertainty Estimation [7.184701179854522]
高次元変数上の確率モデルの柔軟なクラスである自己回帰量子フローを提案する。
これらのモデルは、適切なスコアリングルールに基づいて、新しい目的を用いて訓練された自己回帰フローの例である。
論文 参考訳（メタデータ） (2021-12-09T01:11:26Z) - 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) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z)
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。