Fugu-MT 論文翻訳(概要): Uncertainty in Machine Learning

論文の概要: Uncertainty in Machine Learning

arxiv url: http://arxiv.org/abs/2510.06007v1
Date: Tue, 07 Oct 2025 15:07:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-08 17:57:08.299894
Title: Uncertainty in Machine Learning
Title（参考訳）: 機械学習における不確実性
Abstract要約: 本章では、機械学習における不確実性定量化の原則と実践的応用について紹介する。これは、異なるタイプの不確実性を識別し、区別する方法を説明し、予測モデルにおける不確実性を定量化する方法を示す。
参考スコア（独自算出の注目度）: 3.3087439644066876
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This book chapter introduces the principles and practical applications of uncertainty quantification in machine learning. It explains how to identify and distinguish between different types of uncertainty and presents methods for quantifying uncertainty in predictive models, including linear regression, random forests, and neural networks. The chapter also covers conformal prediction as a framework for generating predictions with predefined confidence intervals. Finally, it explores how uncertainty estimation can be leveraged to improve business decision-making, enhance model reliability, and support risk-aware strategies.
Abstract（参考訳）: 本章では、機械学習における不確実性定量化の原則と実践的応用について紹介する。これは、異なるタイプの不確実性を識別し、区別する方法を説明し、線形回帰、ランダム森林、ニューラルネットワークを含む予測モデルにおける不確実性を定量化する方法を示す。この章では、事前定義された信頼区間で予測を生成するためのフレームワークとして、コンフォメーション予測も取り上げている。最後に、不確実性推定をどのように活用してビジネス上の意思決定を改善し、モデルの信頼性を高め、リスク認識戦略をサポートするかを検討する。

関連論文リスト

Dirichlet-Based Monte Carlo Dropout for Uncertainty Estimation in Neural Networks [0.5599792629509229]
本研究では,ディリクレに基づくフレームワークをMC Dropoutに組み込むことにより,ディープラーニングにおける不確実性評価を強化する。提案手法は,不確実性推定の品質を向上しつつ,MC Dropoutの計算効率を維持する。
論文参考訳（メタデータ） (2026-05-22T13:50:50Z)
An Axiomatic Assessment of Entropy- and Variance-based Uncertainty Quantification in Regression [26.822418248900547]
教師付き回帰における不確実性対策を厳格に評価するために,一連の公理を導入する。我々は、不確実性表現とそれに対応する不確実性尺度に対する一般的なアプローチを一般化する。本研究は,信頼性の高い不確実性評価のための理論的知見と実践的ガイドラインを提供する。
論文参考訳（メタデータ） (2025-04-25T15:44:46Z)
Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
論文参考訳（メタデータ） (2024-12-24T23:28:20Z)
Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
論文参考訳（メタデータ） (2024-11-03T17:32:00Z)
Model-agnostic variable importance for predictive uncertainty: an entropy-based approach [1.912429179274357]
既存の説明可能性の手法が不確実性を考慮したモデルにどのように拡張できるかを示す。我々は、不確実性の原因とモデル性能への影響の両方を理解するために、これらのアプローチの有用性を実証する。
論文参考訳（メタデータ） (2023-10-19T15:51:23Z)
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)
Model-free generalized fiducial inference [0.0]
等角予測(CP)は有限サンプル確率予測を保証するために開発された。 CPアルゴリズムは、不確実性定量化に対する比較的汎用的なアプローチであり、有限サンプル保証は、汎用性に欠ける。本稿では,不正確な確率論から,CPと一般化フィデューシャル(GF)推論の間の公式な接続を構築するためのツールを提案する。
論文参考訳（メタデータ） (2023-07-24T01:58:48Z)
Quantifying Deep Learning Model Uncertainty in Conformal Prediction [1.4685355149711297]
コンフォーマル予測(Conformal Prediction)は、モデルの不確実性を表現するための有望なフレームワークである。本稿では,最先端CP手法とその理論的基礎について考察する。
論文参考訳（メタデータ） (2023-06-01T16:37:50Z)
Integrating Uncertainty into Neural Network-based Speech Enhancement [27.868722093985006]
時間周波数領域における監視されたマスキングアプローチは、ディープニューラルネットワークを使用して乗法マスクを推定し、クリーンな音声を抽出することを目的としている。これにより、信頼性の保証や尺度を使わずに、各入力に対する単一の見積もりが導かれる。クリーン音声推定における不確実性モデリングの利点について検討する。
論文参考訳（メタデータ） (2023-05-15T15:55:12Z)
Calibrated Regression Against An Adversary Without Regret [10.470326550507117]
データポイントの任意のストリーム上でこれらの目標を達成するために保証されたオンラインアルゴリズムを導入する。具体的には、アルゴリズムは(1)キャリブレーションされた予測を生成する。すなわち、80%の信頼区間は、その時間の80%の真の結果を含む。我々は、回帰においてこれらの目標を確実に達成するポストホックリカレーション戦略を実装している。
論文参考訳（メタデータ） (2023-02-23T17:42:11Z)
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)
Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文参考訳（メタデータ） (2021-10-13T01:23:48Z)
DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文参考訳（メタデータ） (2021-02-16T23:50:35Z)

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。